I. 서론

1. 연구의 배경 및 목적

소위 ‘핫 플레이스’라 불리는 장소에 방문하는 사람들이 2000년대 이후 크게 증가하고 있다(김태경 등, 2017). 전국의 수많은 핫 플레이스들이 경리단길이나 가로수길과 같이 ‘~리단길’ 로 명명되거나 ‘연트럴파크’, ‘힙지로’ 등과 같은 제 2의 지명으로 불림으로써 트렌드 중심지를 형성하고 있다(이일섭 등, 2018). 사람들은 인터넷 혹은 온라인 커뮤니케이션을 통해 떠오르는 장소들을 찾아다니는데, 최근에는 인스타그램, 유튜브와 같은 SNS에 ‘인증샷’을 남기려는 젊은 층들의 특성이 반영되어 핫 플레이스 지역이 더욱 급부상하는 추세이다(한지수, 2019).

이렇듯 SNS는 물론이고 언론, 뉴스기사에도 등장하는 핫 플레이스라는 용어는 ‘뜨는 장소’, ‘핫한 장소’, ‘핫플’ 등의 단어들과 함께 일상 속에서 흔히 사용되고 있으며, 최근 학술연구에서도 주제로서 다루어지기 시작하였으나, 학술 연구들은 주로 핫 플레이스의 위치가 어디이며, 그 특징이 무엇인지에 초점을 맞추어 연구를 진행하고 있다(김태경 등, 2018; 김건우·엄기준, 2019; 김고은, 2019; 조윤설·조택연, 2019).

하지만 핫 플레이스와 관련된 학술적 연구로 부터 의미 있는 결론을 이끌어내기 위해서는 우선 이 단어가 무엇을 의미하는지를 명확히 할 필요가 있다. 다시 말해 일상뿐만 아니라 학술적으로도 폭넓게 사용되고 있는 핫 플레이스라는 단어에 대한 사람들의 인식을 파악하고 그 의미를 분석함으로써 기준 없이 사용되고 있는 단어의 의미를 보다 명확하게 할 필요가 있다. 이러한 맥락에서 본 연구의 목적은 다음과 같다. 첫째, 시멘틱 네트워크 분석을 활용하여 핫 플레이스 단어가 일상에서 어떠한 의미로 인식되고 있는지 알아보고자 한다. 둘째, 단어의 등장 시점과 현재 시점에서 상징하는 의미가 변해왔는지를 비교·분석함으로써 핫 플레이스 단어의 의미 변화를 파악하고자 한다.

본 연구는 핫 플레이스의 의미를 파악함으로써 후속 연구에 분석의 토대를 제공하고, 지역 활성화를 모색하는 정책 담당자에게 정책적 시사점을 제공하고자 한다.

2. 연구의 범위 및 방법

본 연구는 핫 플레이스 단어의 의미를 규정하기 위해 단어의 빈도, 단어들 간의 관계, 단어의 위치와 역할 등으로 키워드의 의미와 특성을 파악하는 시멘틱 네트워크 기법을 활용하여 분석을 진행하였다. 핫 플레이스의 의미에 대한 최근 인식과 초기 인식을 파악하고 그 변화를 살펴보기 위해 연구의 시간적 범위는 해당 단어가 국립국어원에서 처음 논의된 시기인 2013년도와 최근 시점인 2019년도로 설정하였다.¹⁾

본 연구의 분석체계는 다음과 같다. 먼저 빅데이터 기반의 텍스톰(TEXTOM) 프로그램을 활용하여 구글, 네이버, 다음 등과 같은 포털사이트 및 트위터, 유튜브, 페이스북과 같은 SNS에서 관련 키워드들을 도출하고, 이후 사회관계망 분석 프로그램인 UCINET을 활용하여 핫 플레이스와 관련된 단어들 사이의 네트워크분석을 실시한다. 또한 CONCOR 분석을 통해 키워드를 군집화 하여 핫 플레이스 특성을 분석하고, 2013년도와 2019년도 결과를 비교·분석한다.

II. 이론 및 선행연구 고찰

1. 핫 플레이스

1) 핫 플레이스에 관한 이론적 논의

국립국어원 우리말샘²⁾에 따르면 ‘핫 플레이스(hot place)’는 “사람들이 많이 모이는 인기 있는 장소”를 의미한다.

학술 연구에서는 핫 플레이스라는 용어를 연구자들마다 다양하게 규정하고 있다. 조윤설·조택연(2019)은 핫 플레이스를 단순히 ‘뜨는 곳’, ‘인기명소’라 설명하였고, 이일섭 등(2018)는 ‘유의미한 트렌드의 중심지’라 언급하였다. 반면 김태경 등(2018)는 핫 플레이스를 보다 구체적으로 “다른 지역과 다른 무언가가 존재하며 사람들을 유인하는 요인들로 인해 활기를 띠는 지역” 또는 “창의적인 인재들이 집적되고 대부분의 사람들이 선호하는 공간”이라 설명하였다. 장희목(2019) 역시 핫 플레이스를 “다양한 문화의 사람들이 자연스럽게 모이는 장소”로 설명한 반면, 윤혜수(2016)는 핫 플레이스 지역을 주거 및 산업 기능이 혼재된 공간이자 젠트리피케이션 논의에서 자주 언급되는 장소의 관점에서 설명하였다.

핫 플레이스 장소에 대한 공간적 규정도 연구자들마다 다양하게 이루어지고 있다. 서정화(2018)는 서울의 핫 플레이스가 기존에는 인사동, 명동, 압구정, 강남역, 신촌역, 건대입구라면 최근 부상하는 핫 플레이스는 연남동, 서촌, 익선동이라고 주장하였다. 하지만 윤혜수(2016)는 이와 다르게 핫 플레이스로 홍대, 이태원, 삼청동, 서촌을 지목하였다.

2) 핫 플레이스 관련 선행연구

학술 연구에 있어서 초기에는 핫 플레이스 용어가 상업가로 활성화 및 젠트리피케이션 연구에서 주로 사용되어져 왔다. 먼저 김흥순(2010)과 이새나리·김흥순(2017)은 신사동, 가로수길, 신촌, 이태원, 홍대와 같은 핫 플레이스 지역들을 상업가로 활성화 측면에서 분석하였고, 장희목(2019)은 이태원의 신흥시장 활성화 방안의 일환으로 시장이 핫 플레이스가 되도록 재구성해야 한다는 정책적 시사점을 제시하였다. 반면 젠트리피케이션 연구에서는 이기웅(2015)이 핫 플레이스를 상권성장의 자연스러운 결과가 아닌 젠트리피케이션과 전치(Displacement)의 산물로 표현하면서 홍대는 대안문화의 피난처이며 홍대 인근 지역들은 젠트리피케이션에 반대하는 장소 실천으로 생성되었다고 결론 내렸다. 윤혜수(2016)는 연남동의 소상공인들을 대상으로 인터뷰를 진행하여 2010년대 중반 서울의 핫 플레이스였던 연남동의 공간변화를 단순한 상업화 과정의 결과가 아니라 젠트리피케이션의 일환으로 이해해야 한다는 결론을 제시하였다.

최근에는 도시사회학적 관점에서 핫 플레이스를 주제로 다룬 연구들이 다수 등장하고 있는데, 김태경 등(2018)는 핫 플레이스의 생성과 쇠퇴와 같은 공간적 변화 양상을 분석하여 핫 플레이스란 문화적 다양성에 의해 생성되고 상업적 자본의 영향을 받아 성장했다가 상업적 자본이 다시 문화적 다양성을 잠식하면서 쇠퇴가 이루어지는 장소라고 규정하였다. 조윤설·조택연(2019)은 각 시대의 사회적 상황과 세대별, 특징별로 핫 플레이스 장소를 구분하고 분석하였는데, 그 결과 X세대는 청담동, 압구정, 대학로, 신촌, 명동 등을 방문하였던 반면 Y와 Z세대는 이태원, 홍대, 삼청동, 인사동, 신사동, 을지로, 익선동, 문래동, 성수동 등을 방문한다고 하였다. 김고은(2019)은 대학생들의 여가장소 선택요인을 파악하기 위해 대학가 주변 핫 플레이스와 집안이라는 공간적 범위를 대상으로 설문조사를 실시하여 로짓분석을 수행하였다. 분석 결과 대학교 주변에 거주하지 않는 학생들은 주로 여가시간에 집안이라는 장소를 선택하였으며 대학교 주변에 거주하는 학생들은 인근 핫 플레이스 지역을 방문한다는 결과를 도출하였다.

이처럼 핫 플레이스를 주제로 한 선행연구들은 주로 핫 플레이스의 위치가 어디인지, 그리고 특성에 따른 장소 선택에 초점을 맞추어 분석이 진행되어 왔다. 특히 핫 플레이스를 언급하고 있는 대부분의 선행연구들이 핫 플레이스 단어가 지니는 의미에 대한 명확한 고찰 없이 연구자들마다 다르게 그 의미를 해석·규정함으로써 서로 상이한 결론을 도출하고 있다는 점에서 본 연구는 ‘핫 플레이스’라는 단어가 지니는 의미를 파악하는 것이 우선되어야 한다고 판단하였다.

2. 시멘틱 네트워크 분석

1) 시멘틱 네트워크 분석에 관한 이론적 논의

의미연결망 분석이라고도 하는 시멘틱 네트워크 분석(Semantic Network Analysis)은 빅데이터와 소셜네트워크 분석(Social Network Analysis)을 응용한 분석방법으로 노드(단어)와 링크(연결구조)로 구성되어 노드 간에 어떤 관련성이 있는지, 어느 정도 상호작용을 하는지를 분석하는 방법이다. 다시 말해 소셜네트워크 분석이 사람들 간의 관계를 분석한다면(구자용, 2018) 시멘틱 네트워크 분석은 키워드(단어) 간의 관계를 분석하여 중심 및 특정 키워드가 다른 키워드에 주는 영향력과 방향성 등을 분석하는 기법이다(Freeman, 2008). 이를 통해 단어 간의 연결 관계와 전체 구조를 파악할 수 있으며, 각 노드가 어떤 위치에 있는지, 그 노드가 전체 구조에서 어떤 역할을 하는지를 분석함으로써 노드의 위치와 역할, 연결 관계 등을 ‘중심성’이라는 분석지표를 통해 파악할 수 있다는 특성을 지닌다(황서이·심지원, 2020).

중심성(Centrality) 분석은 연결망 내에서 특정 단어(Node)가 어느 정도의 중심에 위치하는지를 계량화한 것으로 연결중심성(Degree Centrality), 근접중심성(Closeness Centrality), 매개중심성(Betweenness Centrality), 위세중심성(Eigenvector Centrality) 등의 지표들로 측정한다(Freeman, 2008; 이수상, 2013). 즉 네트워크 내에서 각 노드들의 영향력 크기를 순위화 하는데 사용하는 분석기법으로 설명할 수 있다.

연결중심성은 노드에 연결된 링크의 수를 나타내므로 그 순위가 높게 나오면 핵심적인 역할을 하는 단어임을 의미한다(Wasserman and Faust, 1994; Opsahl et al., 2010; 강동준·이길남, 2015). 근접중심성은 연결중심성에 대응하여 전체 네트워크 내에서 특정 단어와 다른 단어들 간의 거리 개념을 적용하는 것으로, 순위가 높으면 직접적인 노드 간 연결 관계가 적더라도 주요 단어와의 연결성이 강하기 때문에 의제와 담론을 형성하는데 영향력이 매우 큼을 의미한다(Freeman, 1979; 강동준·이길남, 2015). 또한 매개중심성이 높게 나오면 네트워크 단어들 사이에서 매개 역할을 하는 단어로서 의제와 담론을 풍부하게 확장시킬 가능성이 높은 단어임을 의미한다(Easterby-Smith et al., 2008; 황서이·심지원, 2020). 연결중심성의 확장된 개념으로서 위세중심성은 연결중심성과 마찬가지로 연결망의 중심에 있는 단어뿐만 아니라 전체 네트워크에서 숨어있는 연결정도까지를 고려하므로 향후 의제와 담론을 형성하는데 영향력이 큰 단어임을 의미한다(김희철·안건혁, 2012; 황서이·심지원, 2020).

CONCOR(CONvergence of interaction CORrelation) 분석은 네트워크 내에서 동일하거나 유사한 관계를 맺고 있는 개체들을 그룹화 하여 연결망의 구조적 등위성을 분석하는 방법이다(Wasserman and Fraust, 1994; 곽기영, 2014).

2) 시멘틱 네트워크 분석 관련 선행연구

시멘틱 네트워크 분석을 활용한 해외 연구로 Shim et al.(2015)은 미국, 영국, 독일, 프랑스, 일본, 한국의 원자력 정책 프레임을 파악하기 위해 시멘틱 네트워크 분석을 활용하여 분석을 진행하였다. 분석 결과 6개국 모두 에너지안보, 청정에너지, 원자력안전과 같은 3개 프레임이 도출되었으며 이를 토대로 각 국가별 정책적 시사점이 제시되었다. Colladon et al.(2020)은 코로나 발생 이후 이탈리아 언론에서 보도되고 있는 경제 관련 키워드를 시멘틱 네트워크 분석을 활용하여 분석하였고 도출된 단어들을 통해 금융 및 주식 시장을 예측하는 연구를 진행하였다.

국내 학술 연구로서 오익근 등(2015)는 한국관광에 대한 인식 및 특성을 파악하기 위해 최근 1년간 포털 및 SNS 데이터를 분석함으로써 한국 관광객의 니즈를 파악하였다. 이인원·이영미(2019)는 문재인 정부의 100대 국정과제 내 세부 487개 실천과제를 시멘틱 네트워크 분석을 활용하여 구조적으로 분석함으로써 문재인 정부가 지향하는 가치와 정책방향을 파악하였으며, 박상훈·이희정(2019)는 도시 공간 변화에 따른 전통시장의 인식 변화를 파악하기 위해 동대문 시장을 대상으로 텍스트 마이닝과 시멘틱 네트워크 분석기법을 활용하여 정책적 시사점을 제공하였다. 박경원(2019)은 성수동의 소비자 인식을 파악하기 위해 시멘틱 네트워크 분석을 실시하였다. 분석 결과 성수동의 카페, 맛집, 분위기, 공간 등을 다룬 클러스터와 성수동에서 진행한 행사 관련 클러스터들을 도출하여 성수동의 지역 정체성을 확인하였다.

이외에도 다양한 분야에서 시멘틱 네트워크 분석을 활용하여 연구가 진행되었으나(Drieger, 2013; Sevin, 2014; Kang, 2019; 곽창규, 2017; 박상훈·이희정, 2017, 이완수·최명일, 2020), 도시·지리 분야에서는 해당 분석기법을 활용한 연구가 박상훈·이희정(2019), 박경원(2019) 외에는 아직까지 미비한 실정이다. 따라서 본 연구는 장소적·공간적 성격이 매우 강한 핫 플레이스를 주제로 해당 용어의 의미를 파악하기 위해 시멘틱 네트워크 분석기법을 활용하였으며, 포털사이트 및 SNS에서 도출된 핫 플레이스 관련 키워드들 간의 특성을 파악함으로써 의미 규정을 시도하고자 한다.

III. 분석의 틀

1. 분석 도구

본 연구는 핫 플레이스 단어의 의미와 특성을 파악하기 위해 먼저 TEXTOM을 활용하여 텍스트 마이닝을 실시한 후, UCINET 프로그램을 이용하여 중심성 분석, CONCOR 분석과 같은 시멘틱 네트워크 분석을 수행하였다. 본 연구의 분석체계는 그림 1과 같다.

그림. 1

분석체계

2. 데이터 수집 및 정제

본 연구의 목적을 위하여 데이터 수집기간은 2013년 1월 1일부터 2013년 12월 31일까지, 2019년 1월 1일부터 2019년 12월 31일까지로 설정하였으며, ‘핫플레이스’와 ‘핫플’ 두 가지 검색어로 데이터를 수집하였다. 데이터 수집은 웹과 SNS 데이터 분석 프로그램인 텍스톰(TEXTOM)³⁾을 활용하여 SNS(트위터, 유튜브, 페이스북⁴⁾)와 포털사이트(네이버, 다음의 블로그, 뉴스, 카페)에서 제목, 본문, URL 정보를 수집하였다.

수집된 데이터는 정제를 위하여 중복되는 URL과 내용을 제거하였다. 또한 원문과 대조하여 분석과정에서 의미 없는 단어(의존명사, 단위명사, 수사, 일음절어 등)나 검색 키워드를 포함한 단어(핫플레이스, 핫플 등)를 제거하는 등 분석을 위한 키워드 정제 작업을 수행하였다. 그 결과 수집된 키워드는 2013년 133,461개, 2019년 213,760개로 확인되었다.

IV. 실증분석

1. 텍스트 마이닝

텍스트 마이닝이란 구조화되지 않은 대규모의 텍스트 집합에서 유용한 의미를 도출해내는 일련의 과정이자 비정형 텍스트 데이터를 자연어 처리와 형태소 분석기술에 기반하여 정제하고 유용한 단어를 추출해 빈도수를 추출하는 프로세스를 의미한다(정근하, 2010). 이에 TEXTOM 프로그램을 통해 정제 과정을 거친 2013년도와 2019년도 데이터에서 빈도수를 중심으로 상위 90위까지⁵⁾의 키워드를 도출하였으며(표 1, 표 2 참조), 이를 워드 클라우드를 통해 시각화 하였다(그림 2, 그림 3 참조).

그림. 2

2013년 워드 클라우드 분석결과

그림. 3

2019년 워드 클라우드 분석결과

키워드 빈도 분석 결과, 2013년도 핫 플레이스와 관련하여 가장 많은 빈도를 차지한 키워드는 맛집(3,878개), 사람(3,348개), 서울(2,884개), 여행(2,627개), 카페(2,324개) 순으로 나타났다. 반면 2019년도의 핫 플레이스와 관련한 키워드 분석 결과는 맛집(11,428개), 카페(10,939개), 사진(8,069개), 사람(7,129개), 메뉴(6,734개) 등의 순으로 나타났다.

또한 텍스트 마이닝 기술의 하나로, 이용자의 감성과 관련된 텍스트 정보를 추출하여 긍/부정의 형태로 분류하는 감성분석을 통해 핫 플레이스에 관한 사람들의 인식을 파악한 결과, 핫 플레이스와 관련하여 2013년 총 59,093개, 2019년 총 147,803개의 감성 키워드가 도출되었다. 그 중 2013년은 긍정단어가 45,847개(77.58%), 부정단어가 13,246개(22.42%)로 나타난 반면 2019년은 긍정단어 120,151개(81.29%), 부정단어 27,652개(18.71%)로 나타났다. 2013년과 2019년 모두 핫 플레이스와 관련되어서는 부정단어보다 긍정단어의 빈도가 훨씬 높게 나타났으며, 2013년도에 비해 2019년도에 부정단어가 줄어들었음을 확인하였다(표 3 참조).

표 4, 표 5와 같이 감성분석 결과에서 상위 30개에 대한 키워드를 제시한 결과, 2013년의 긍정단어는 ‘좋다(7,274개)’, ‘추천(2,101개)’, ‘멋지다(1,316개)’, ‘사랑스럽다(1,205)’, ‘최고다(1,097개)’ 순으로, 부정단어는 ‘울다(1,803개)’, ‘힘들다(507개)’, ‘어렵다(446개)’, ‘아쉽다(404개)’, ‘부담스럽다(398개)’ 순으로 나타났다. 반면 2019년의 긍정단어는 ‘좋다(24,383개)’, ‘추천(5,227개)’, ‘예쁘다(4,872개)’, ‘멋지다(3,055개)’ 순으로, 부정단어는 ‘울다(4,333개)’, ‘아쉽다(1,299개)’, ‘힘들다(1,259개)’, ‘어렵다(1,037개)’ 순으로 나타났다.⁶⁾

2. 시멘틱 네트워크 분석

1) 중심성 분석

핫 플레이스와 관련된 키워드 중 중심성이 높은 키워드를 파악하기 위해 Freeman(2008)의 네트워크 지수를 활용하여 중심성 분석을 실시하였으며, 이를 연결중심성, 근접중심성, 매개중심성, 위세중심성으로 세분하여 각각의 분석을 진행하였다.

중심성 분석 결과(부록 1, 부록 2 참조), 먼저 2013년의 연결중심성에서는 여행, 사진, 유럽, 사람, 맛집, 이야기 등이 높은 순위로 나타나 해당 단어들이 2013년도의 핫 플레이스를 나타내는 핵심 단어임을 확인하였다. 또한 근접중심성과 매개중심성은 상위 90개의 모든 단어들에서 중심성 값이 동일하게 나타났다. 이는 추출한 상위 90개의 키워드 간에 직접적인 연결성이 있기 때문에 주요 단어와의 연결성을 나타내는 근접중심성, 매개중심성이 동일한 수치로 나타난 것이다. 마지막으로 전체 네트워크에서 숨어있는 연결정도까지를 고려하는 위세중심성은 여행, 사진, 유럽, 이야기, 세계 등의 순으로 높게 나타나 이들이 향후 의제와 담론을 형성하는데 영향력이 큰 단어임을 확인하였다.

반면 2019년의 경우 연결중심성에서는 회사, 맛집, 카페, 사용, 사진, 댓글 등의 순으로 높게 나타나 해당 단어들이 2019년도의 핫 플레이스를 나타내는 핵심 단어임을 확인하였다. 근접중심성과 매개중심성은 2013년도와 마찬가지로 상위 90개의 모든 단어들의 연결성이 동일하게 나타났다. 또한 위세중심성은 회사, 사용, 댓글, 정보 등의 순으로 단어들이 큰 비중을 차지하는 것으로 나타나 해당 단어들이 향후 핫 플레이스를 나타내는데 영향력이 있는 단어임을 확인하였다.

2) CONCOR 분석

단어 간의 연결 관계와 특성을 파악하기 위하여 중심성 결과를 바탕으로 CONCOR 분석을 실시하였다. CONCOR 분석은 유사성이 있는 키워드들을 군집화하기 위해 상관관계 분석을 반복적으로 수행하는 분석기법이다(오익근 등, 2015). 연구자는 최적의 군집화를 위하여 UCINET 프로그램을 통해 여러 차례 상관관계 분석을 실시하였고, 그 결과 2013년과 2019년 모두 가장 적합한 군집의 모형으로 총 4개의 클러스터가 생성되었다(그림 4, 그림 5, 표 6, 표 7 참조). 또한 군집화된 클러스터를 명명하는 과정에서 다수의 키워드들이 나타내는 단어의 공통 속성을 바탕으로 클러스터 명을 부여하였다.

그림. 4

2013년 CONCOR 분석결과

그림. 5

2019년 CONCOR 분석결과

CONCOR 분석 결과 2013년의 클러스터 1은 ‘매장 관련 속성’, 클러스터 2를 ‘여행 및 지역 속성’, 클러스터 3을 ‘미디어 속성’, 클러스터 4를 ‘번화가 관련 속성’으로 명명하였으며, 2019년은 클러스터 1을 ‘음식 및 음식점 관련 속성’, 클러스터 2를 ‘장소적 속성’, 클러스터 3을 ‘정보적 속성’, 클러스터 4를 ‘SNS 속성’으로 명명하였다.

3. 소결

분석 결과, 포털 사이트 및 SNS에서 ‘핫 플레이스’라는 키워드를 통해 가장 많이 도출된 단어는 2013년은 맛집, 사람, 서울, 여행, 카페 등의 순이었고, 2019년은 맛집, 카페, 사진, 사람, 메뉴 등의 순이었다. 한편 감성 단어에 있어서 2013년의 긍정단어는 좋다, 추천, 멋지다 등의 순이었고 부정단어는 울다, 힘들다, 어렵다 등의 순이었다. 또한 2019년은 긍정의 경우 좋다, 추천, 예쁘다 등의 순이었고 부정의 경우 울다, 아쉽다, 힘들다 등의 순이었다. 이와 같은 텍스트 마이닝의 결과를 해석해보면, 관련성이 높은 키워드는 주로 서울, 부산 등과 같이 지역명이거나 맛집, 카페, 메뉴 등과 같이 장소가 지니는 내부 요소들을 내포하고 있었고, 감성 키워드 역시 핫 플레이스 지역에 방문하는 과정에서 도출된 단어들이었다. 이는 2013년과 2019년의 결과가 모두 핫 플레이스 단어가 지니는 공간적·장소적 특성이 반영된 결과라고 볼 수 있다.

중심성 결과에서는 2013년의 경우 여행, 사진, 유럽 등과 같이 여행 중심적 키워드들이 핫 플레이스 키워드와 밀접한 영향력을 지니는 반면, 2019년은 회사, 맛집, 카페, 사용, 댓글, 정보 등과 같이 보다 일상적인 키워드들이 핫 플레이스와 밀접한 영향력을 갖는 단어로 나타났다. CONCOR 분석 결과에서는 2013년에 단어들이 개념적으로 혼재되어 있고 불분명하여 단어 간 간격이 넓게 군집되었으나, 2019년에서는 단어 간 간격이 매우 좁고 개념 분류가 보다 명확해졌음을 확인하였다. 또 2013년의 경우 ‘매장 관련 속성’, ‘여행 및 지역 속성’, ‘번화가 관련 속성’, ‘미디어 관련 속성’으로 클러스터가 군집된 반면, 2019년에는 ‘정보적 속성’이나 ‘SNS 속성’과 같이 정보를 공유할 수 있는 속성들과 함께 ‘음식 및 음식점 관련 속성’, ‘장소적 속성’으로 군집화가 이루어졌다. 특히 2013년과 2019년 모두 지역 및 장소를 나타내는 속성이 클러스터2에서 도출되었는데, 2013년에는 중국, 유럽, 세계, 일본과 같이 국외 지역들이 도출된 반면 2019년에는 부산, 서울, 제주 등과 같은 국내의 장소들이 도출되었다. 이를 통해 종합적으로 2013년과 2019년의 분석 결과를 비교 및 정리하면, ‘핫 플레이스’라는 단어가 2013년보다 2019년에 더 많은 사람들에게 일상적이고 정보 지향적으로 사용되어졌으며, 단어가 지니는 특성이 과거보다 명확해졌음을 확인하였다.

마지막으로 핫 플레이스 관련 키워드들의 의미와 특성을 파악하기 위해 군집 특성을 살펴보면, 공통적으로 핫 플레이스 단어는 ‘음식점/매장’, ‘지역/장소’, ‘미디어/SNS’의 의미를 담고 있음을 확인하였다. 따라서 본 연구는 앞서 군집화 된 핫 플레이스 관련 특성 및 의미를 바탕으로 ‘핫 플레이스’를 “사람들이 선호하는 음식점과 매장들이 밀집되어 있으며 이에 대한 정보를 미디어나 SNS로 공유함으로써 더 많은 사람들이 방문하게 되는 지역 또는 장소”라고 최종적으로 그 의미를 규정하고자 한다.

V. 결론

최근 들어 ‘핫 플레이스’라는 단어가 일상 속에서 흔하게 사용되어지고 있다. 이제는 일상을 넘어 학술적인 주제로도 사용되고 있는데, 선행연구 검토 결과 아직까지도 핫 플레이스 용어에 대한 명확한 고찰이 부재한 채 다양한 방식으로 설명이 이루어지고 있음을 확인하였다. 이에 본 연구는 시멘틱 네트워크 분석을 활용하여 일상적·학술적으로 사용되고 있는 ‘핫 플레이스’라는 용어의 의미를 파악하고자 하였으며, 이를 위해 키워드 빈도분석, 워드클라우드, 감성분석과 같은 텍스트 마이닝과 중심성 분석, CONCOR 분석과 같은 시멘틱 네트워크 분석을 실시하였다. 텍스트 마이닝은 구조화되지 않은 대규모의 텍스트 집합에서 유용한 의미를 도출해내는 분석기법이고, 시멘틱 네트워크 분석은 키워드들 간의 관계나 역할을 확인함으로써 핫 플레이스에 관한 사람들의 인식과 키워드의 대표 특성을 파악할 수 있기에 본 연구는 이러한 분석 방법을 통해 핫 플레이스의 의미를 파악하고자 하였다.

그 결과, 핫 플레이스를 “사람들이 선호하는 음식점과 매장들이 밀집되어 있으며 이에 대한 정보를 미디어나 SNS로 공유함으로써 더 많은 사람들이 방문하게 되는 지역 또는 장소”라고 하였다. 본 연구의 분석 결과는 핫 플레이스가 무엇을 의미하는지를 명확히 함으로써 이와 관련된 연구를 진행하는 후속 연구자들이 보다 의미 있는 결론을 도출할 수 있도록 연구의 토대를 제공하였다는 점에서 연구의 의의를 갖는다.

본 연구는 2013년도 분석결과에 비해 2019년도의 분석결과가 핫 플레이스 의미를 보다 명확하게 나타내고 있음을 확인하였다. 또 제한된 범위에서나마 핫 플레이스 용어가 과거보다 최근 들어 더 활발하게 사용되고 있으며 사람들의 SNS 활용을 통해 활성화되고 있다는 점과 국외 중심에서 국내 중심으로, 여행의 관점에서 일상적이고 정보지향적인 관점으로 핫 플레이스에 대한 사람들의 인식이 변모하는 경향이 있음을 확인하였다. 따라서 지역 활성화를 모색하는 정책 담당자는 핫 플레이스에 대한 사람들의 인식이 시간의 흐름에 따라 변화하고 있음에 주목하여 이를 반영하는 활성화 정책을 모색해야 한다는 정책적 시사점을 제시하고자 한다.

다만 본 연구는 빅 데이터를 활용하다보니 데이터 용량의 한계로 인하여 핫 플레이스 단어가 사용되어 온 전체 시점에 대한 분석이 아니라 국립국어원에서 논의를 시작한 초기 시점인 2013년도와 최근 2019년도를 대상으로 시멘틱 네트워크 분석을 수행하였다는 점에서 연구의 한계가 있다. 따라서 다양한 시점을 통해 보다 정교한 핫 플레이스의 의미 규정이 향후 연구에서 이루어지기를 기대해 본다. 또한 공간 데이터를 이용하여 핫 플레이스 지역의 활성화 정도를 나타내는 경험적 연구들 역시 향후 연구로서 기대해 본다.