본 연구는 마산시의 범죄발생 데이터를 이용하여 범죄발생의 특성을 파악하고, 범죄발생의 영향인자를 찾아내어 안전한 도시환경 조성에 도움이 되는 정보를 발견하는데 목적이 있다. 먼저 지리정보시스템을 이용하여 범죄 밀도분석 및 핫스팟(hotspot)분석 등을 통해 지역 범죄 발생패턴을 지도화하고, 공간회귀모델링 등의 공간통계분석을 통해 범죄율과 범죄영향요인간의 관계를 규명하였다. 그 결과 범죄는 생활주기 및 범죄유형에 따라 시계열적으로 일정한 패턴을 가지고 발생할 뿐 아니라, 공간적으로도 인접하여 발생하는 군집적 특성이 있음을 발견할 수 있었다. 모든 범죄유형의 발생에서 공간적 자기상관이 존재하였으며, 강도범죄율이 가장 높은 공간적 자기상관이 있는 것으로 분석되었다. 5대 총범죄율과 절도범죄율의 경우는 노령자인구비, 재산세, 도소매업수, 숙박음식업종수가 범죄율에 유의하고, 폭력범죄의 경우는 인구밀도가 유의미하며 범죄율에 부(-)적 영향을 미치는 것으로 분석되었다. 연구 결과는 범죄로부터 안전한 U-City 구현을 위한 관련 정책수립 등에 기초적인 자료로 활용될 수 있을 것으로 기대된다.
본 연구는 마산시의 범죄발생 데이터를 이용하여 범죄발생의 특성을 파악하고, 범죄발생의 영향인자를 찾아내어 안전한 도시환경 조성에 도움이 되는 정보를 발견하는데 목적이 있다. 먼저 지리정보시스템을 이용하여 범죄 밀도분석 및 핫스팟(hotspot)분석 등을 통해 지역 범죄 발생패턴을 지도화하고, 공간회귀모델링 등의 공간통계분석을 통해 범죄율과 범죄영향요인간의 관계를 규명하였다. 그 결과 범죄는 생활주기 및 범죄유형에 따라 시계열적으로 일정한 패턴을 가지고 발생할 뿐 아니라, 공간적으로도 인접하여 발생하는 군집적 특성이 있음을 발견할 수 있었다. 모든 범죄유형의 발생에서 공간적 자기상관이 존재하였으며, 강도범죄율이 가장 높은 공간적 자기상관이 있는 것으로 분석되었다. 5대 총범죄율과 절도범죄율의 경우는 노령자인구비, 재산세, 도소매업수, 숙박음식업종수가 범죄율에 유의하고, 폭력범죄의 경우는 인구밀도가 유의미하며 범죄율에 부(-)적 영향을 미치는 것으로 분석되었다. 연구 결과는 범죄로부터 안전한 U-City 구현을 위한 관련 정책수립 등에 기초적인 자료로 활용될 수 있을 것으로 기대된다.
The aim of this study is to analyze the periodical and spatial characteristics of urban crime and to find out the factors that affect the crime occurrence. For these, crime data of Masan City was examined and crime occurrence pattern is ploted on a map using crime density and criminal hotspot analys...
The aim of this study is to analyze the periodical and spatial characteristics of urban crime and to find out the factors that affect the crime occurrence. For these, crime data of Masan City was examined and crime occurrence pattern is ploted on a map using crime density and criminal hotspot analysis. The spatial relationship of crime occurrence and factors affecting crime were also investigated using ESDA (Exploratory Spatial Data Analysis) and SAR (Spatial Auto-Regression) model. As a result, it was found that crimes had strong tendency of happening during a certain period of time and with spatial contiguity. Spatial contiguity of crimes was made clear through the spatial autocorrelation analysis on 5 major crimes. Especially, robbery revealed the highest spatial autocorrelation. However as a autocorrelation model, Spatial Error Model(SEM) had statistically the highest goodness of fit. Moreover, the model proved that old age population ratio, property tax, wholesale-retail shop number, and retail & wholesale number were statistically significant that affect crime occurrence of 5 most major crimes and theft crime. However population density affected negatively on assault crime. Lastly, the findings of this study are expected to provide meaningful ideas to make our cities safer with U-City strategies and services.
The aim of this study is to analyze the periodical and spatial characteristics of urban crime and to find out the factors that affect the crime occurrence. For these, crime data of Masan City was examined and crime occurrence pattern is ploted on a map using crime density and criminal hotspot analysis. The spatial relationship of crime occurrence and factors affecting crime were also investigated using ESDA (Exploratory Spatial Data Analysis) and SAR (Spatial Auto-Regression) model. As a result, it was found that crimes had strong tendency of happening during a certain period of time and with spatial contiguity. Spatial contiguity of crimes was made clear through the spatial autocorrelation analysis on 5 major crimes. Especially, robbery revealed the highest spatial autocorrelation. However as a autocorrelation model, Spatial Error Model(SEM) had statistically the highest goodness of fit. Moreover, the model proved that old age population ratio, property tax, wholesale-retail shop number, and retail & wholesale number were statistically significant that affect crime occurrence of 5 most major crimes and theft crime. However population density affected negatively on assault crime. Lastly, the findings of this study are expected to provide meaningful ideas to make our cities safer with U-City strategies and services.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
여기서 범죄지도화와 공간통계분석이 결합된 연구는 면사상의 집계자료에 기반을 두고 있는데 대상범위가 지나치게 광범위하여 지역의 국지적 범죄양상에 대한 파악이 쉽지 않고, 반대로 점사상에 기반을 둔 연구들의 경우에는 연구범위가 지나치게 협소하고 표본수가 너무 적어 연구 결과의 객관화에 문제가 발생한다. 따라서 본연구는 이러한 문제를 해소하기 위해 공간 분석단위를 전역(全域)과 국지(局地)적으로 나누어 접근하고자 한다.
이에 본 연구에서는 범죄발생 데이터 분석에 근거하여 연구사례가 부족한 지방중소도시를 대상으로 환경범죄학 이론에 근거하여 범죄발생의 시간대별 발생 특성을 파악하고 범죄발생의 영향인자를 찾아내며, 범죄 밀도분석 및 핫스팟(hotspot)분석 등을 통해 지역 범죄 발생 패턴을 지도화 하는 한편, 공간통계분석의 방법으로 탐색적 공간자료분석과 공간회귀 모델링을 통해 범죄율과 범죄발생 요인간의 관계를 규명하고자 하였다. 본 연구의 궁극적 목적은 실증적인 자료분석 결과에 근거하여 지역의 범죄예방 방안을 마련하고 보다 안전한 도시환경을 조성해 나가도록 하는데 기여하기 위함이다.
이에 본 연구에서는 범죄발생 데이터 분석에 근거하여 연구사례가 부족한 지방중소도시를 대상으로 환경범죄학 이론에 근거하여 범죄발생의 시간대별 발생 특성을 파악하고 범죄발생의 영향인자를 찾아내며, 범죄 밀도분석 및 핫스팟(hotspot)분석 등을 통해 지역 범죄 발생 패턴을 지도화 하는 한편, 공간통계분석의 방법으로 탐색적 공간자료분석과 공간회귀 모델링을 통해 범죄율과 범죄발생 요인간의 관계를 규명하고자 하였다. 본 연구의 궁극적 목적은 실증적인 자료분석 결과에 근거하여 지역의 범죄예방 방안을 마련하고 보다 안전한 도시환경을 조성해 나가도록 하는데 기여하기 위함이다.
제안 방법
공간적 자기상관 분석은 한 지점에서 발생한 사건이 이웃 지점에서 발생한 사건의 성격과 유사한지 또는 이질적인지를 판단하기 위해 적용하였다. 만일 두 지점간에 비슷한 성질을 가지면 양의 상관관계가 존재하게 되고, 반대로 두 지점이 반대의 값을 가지게 되면 음의 상관관계가 존재하는 것으로 나타나게 된다.
그러나 지역마다 범죄발생율이 다르게 나타나는 이유와 범죄 발생요인에 대하여 알아보기 위해 공간회귀분석을 시도해 보았다.
첫째, 이론적 고찰 및 기존 연구 분석을 통해 본 연구의 범위와 방법 및 분석틀을 정립하였다. 둘째, 사례지역으로서 마산시를 선정하여 범죄자료와 범죄에 영향을 미치는 요인들의 속성자료를 구축하였다. 셋째, 사례지역의 시간대별 범죄발생의 특성을 파악하였고, 공간통계학적 관점에서는 전역적(全域的, global) 측면과 국지적(局地的, local)측면에서의 탐색적 공간자료분석(Exploratory Spatial Data Analysis; ESDA)을 통해 범죄발생의 공간분포와 범죄다발(hotspot)지역을 도면화 하였다.
면사상 자료는 범죄사건 발생빈도수와 인구 및 사회경제적 요인과 관련한 자료들을 행정 동별로 집계하여 구축하였다.
범죄자료는 면(面)사상과 점(點)사상의 두 가지 형태로 정리하였다. 점사상 자료는 범범죄 신고대장에 기록된 주소를 토대로 1:1,000의 수치지도와 지번도를 참조하여 공간자료화 하였고, 사건발생일자 및 시간, 요일, 동, 발생위치 및 주소, 장소, 범죄유형 등을 속성자료화 하였다.
본 연구를 통해 마산시의 각 행정동을 대상으로 하여 범죄발생의 시간대별, 공간적 범죄 발생의 분포 패턴을 파악하였고, 공간회귀모델을 통해 범죄 발생요인 등을 분석하였다. 이를 요약하면, 범죄발생율은 도시생활 주기 및 범죄유형에 따라 주기적 패턴을 보일뿐만 아니라 공간적으로도 임의적으로 분포하지 않고 공간적 이질성과 공간적 종속성을 가지면서 군집적으로 발생함을 알 수 있었다.
그러나 지역마다 범죄발생율이 다르게 나타나는 이유와 범죄 발생요인에 대하여 알아보기 위해 공간회귀분석을 시도해 보았다. 본 연구에서는 관련 사례연구와 자료 수집이 가능한 범위를 고려하여 표 4와 같은 변수를 도출하여 분석에 활용하였다.
이 과정에서 각 객체들은 그룹화 되며, 이 방법은 최근린 계층군집 방법에 비해 기준범위가 큰 지역을 분석하는 데에 더 효과적이다. 본 연구에서는 그룹수를 10개로 하여 분석을 시도하였다.
셋째, 사례지역의 시간대별 범죄발생의 특성을 파악하였고, 공간통계학적 관점에서는 전역적(全域的, global) 측면과 국지적(局地的, local)측면에서의 탐색적 공간자료분석(Exploratory Spatial Data Analysis; ESDA)을 통해 범죄발생의 공간분포와 범죄다발(hotspot)지역을 도면화 하였다.
범죄자료는 면(面)사상과 점(點)사상의 두 가지 형태로 정리하였다. 점사상 자료는 범범죄 신고대장에 기록된 주소를 토대로 1:1,000의 수치지도와 지번도를 참조하여 공간자료화 하였고, 사건발생일자 및 시간, 요일, 동, 발생위치 및 주소, 장소, 범죄유형 등을 속성자료화 하였다. 마산시의 2006년도 총 범죄건수는 5,791건이고, 5대 범죄유형별 수는 강간 78건, 강도 43건, 살인 8건, 폭력 2,700건, 그리고 2,962건의 절도가 보고되었다.
본 연구의 방법 및 분석에 활용된 분석도구는 다음과 같다. 첫째, 이론적 고찰 및 기존 연구 분석을 통해 본 연구의 범위와 방법 및 분석틀을 정립하였다. 둘째, 사례지역으로서 마산시를 선정하여 범죄자료와 범죄에 영향을 미치는 요인들의 속성자료를 구축하였다.
대상 데이터
마산시의 2006년도 총 범죄건수는 5,791건이고, 5대 범죄유형별 수는 강간 78건, 강도 43건, 살인 8건, 폭력 2,700건, 그리고 2,962건의 절도가 보고되었다. 그러나 전체 5,791 건의 범죄신고 자료 중에 주소식별이 가능한 3,640건의 자료가 최종적으로 분석에 사용되었다.
범죄 데이터는 마산시 관할경찰서의 협조로 2006년도 범죄신고관리대장을 기반으로 하였으며, 여기에는 범죄발생 장소와 시각, 주요 5대 범죄유형 등이 기록되어 있다. 그 외 2006년도 인구 및 주택 총조사, 2006년도 마산시 통계연보, 그리고 1:1,000 수치지도 및 shp파일 형태의 토지이용현황도를 사용하였고, 수치지도상에서의 범죄지점 표식을 위해 마산시 지번안내도를 참조하였다.
최근린 계층군집은 가장 가까이 있는 사상을 첫 번째 그룹으로 형성하고, 첫 번째 군집들이 다시 두 번째 군집으로 모아지는 트리(tree)구조 방식을 취한다. 본 연구에서는 0.05%의 유의수준 확률을 정하고 군집에 포함될 점의 수를 20개로 한정하여 최근린 계층군집을 적용하였다. 두 방법에 의해 분석된 결과는 그림 4와 같다.
연구지역인 마산시는 2008년 10월 현재 인구 412,242명으로 경남의 대표적인 항만물류 도시로 1도심, 3부도심, 1지역중심의 도시구조를 형성하고 있다. 분석 데이터의 면(面)사상 자료는 마산경찰서에서 제공한 관할구역별 집계자료를 사용하였으며, 점(點)사상의 경우는 교외지역으로서 지번도의 확보와 관련자료의 취득이 곤란한 구산면, 진전면, 진북면, 진동면, 현동, 가포동을 제외하고 내서읍을 포함한 도심부로 국한하였다(그림 1 참조).
연구지역인 마산시는 2008년 10월 현재 인구 412,242명으로 경남의 대표적인 항만물류 도시로 1도심, 3부도심, 1지역중심의 도시구조를 형성하고 있다. 분석 데이터의 면(面)사상 자료는 마산경찰서에서 제공한 관할구역별 집계자료를 사용하였으며, 점(點)사상의 경우는 교외지역으로서 지번도의 확보와 관련자료의 취득이 곤란한 구산면, 진전면, 진북면, 진동면, 현동, 가포동을 제외하고 내서읍을 포함한 도심부로 국한하였다(그림 1 참조).
데이터처리
넓은 범위에서 범죄발생의 공간적 분포 패턴을 규명하기 위해 공간통계분석을 실시하기로 하였으며, 분석에는 일반적으로 활용되는 표준편차 타원체(standard deviational ellipse) 와 밀도분석(density analysis), 최근린지수분석(nearest neighbor index analysis) 등을 적용하기로 하였다. 표준편차타원체는 점 사상들의 산술적 평균과 표준거리를 이용하여 타원체를 도식화하는 것으로 사건의 분포 경향, 즉 점사상의 방향성을 직관적으로 파악할 수 있게 해준다.
셋째, 사례지역의 시간대별 범죄발생의 특성을 파악하였고, 공간통계학적 관점에서는 전역적(全域的, global) 측면과 국지적(局地的, local)측면에서의 탐색적 공간자료분석(Exploratory Spatial Data Analysis; ESDA)을 통해 범죄발생의 공간분포와 범죄다발(hotspot)지역을 도면화 하였다. 넷째, 5대 범죄유형 중 표본수가 비교적 많은 절도 및 폭력을 대상으로 범죄발생에 영향을 미치는 공간적 요인을 발견하기 위해 해당 범죄율을 종속변수로 하고 범죄에 영향을 미칠 것으로 예상되는 관련연구에서 구축된 변수들을 독립변수로 공간회귀분석을 수행하였다.
통계분석은 SPSS 14.0를 사용하였고, 공간자료의 구축 및 공간통계분석에는 ESRI사의 ArcView 3.3, Spatial Analysist 2.0 extention, CrimeStat 3.0, 그리고 ArcGIS 9.0의 Spatial Analyst Tools 및 Spatial Statistics Tools를 사용하였고, 특히 공간회귀분석에는 Geoda(Anselin, 2005)를 활용하였다.
이론/모형
이를 통해 연구지역 내 사건들의 공간적 밀도를 분석하고 모델링 할 수 있다. 구체적인 방법으로는 bining, hexagonal bining, kernel, quadrat 방식 등이 있는데 본 연구에서는 커널(kernel) 추정법을 적용하여 분석해 보기로 하였다.
본 연구에서는 전역(全域)적 차원에서 공간적 자기상관성의 존재 여부를 파악하기 위해 Moran's I 지수를 적용하였으며, 국지적 차원으로는 LISA(Local Indicator of Spatial Association)분석 기법을 적용하였다.
성능/효과
한편 본 연구에서는 인접성 가중치 적용방법 가운데 하나인 Rook방식을 취했을 때, Moran's I와 LISA 분석에서는 최적의 값을 찾아내주었고, 공간회귀모델의 경우에는 거리 가중치 방법 중 Threshold Distance(3,500m)에 의한 이웃정의 방식을 취했을 때 모형의 적합도가 가장 높게 나타났다. 3,500m의 임계 거리는 100m단위로 보간하여 반복적인 연산을 통해 구해낸 최종 임계치 값으로 이 거리에서 가장 좋은 적합도를 보이는 모형이 도출되었다.
K-means 군집과 최근린 계층군집분석에 의한 핫스팟 지역은 주로 동마산권과 구마산 권에 집중되어 있음을 확인할 수 있었다. 특히 구마산권은 주거기능이 점점 줄어들고 있는 마산시의 대표적인 도심쇠퇴 지역으로 범죄 예방적 차원에서라도 도심 재정비사업이 시급히 추진되어야 한다.
구마산권은 주거 기능이 점점 상실되고 있는 도심 쇠퇴 지역 가운데 한 곳으로 거주 인구는 계속 줄어들고 있는 반면, 상업 및 업무시설, 교육시설들이 상당수 혼재되어 있는 매우 복합적인 토지이용행태를 보이고 있는 지역이다. K-means 군집을 통한 10개의 군집지역과 최근린 계층군집 지역들과의 중첩비교에서는 5개의 K-means 군집이 최근린 계층군집의 1차 군집과 일치되고 있음을 확인할 수 있다.
분석결과, 모든 범죄유형들에서 공간적 자기상관이 존재하는 것으로 나타났고, 강도범죄율은 가장 높은 공간적 자기상관이 존재하는 것으로 확인되었다. LISA 분석의 경우 핫스팟보다는 콜드스팟을 찾아내는데 더 효과적이었으며 대표적인 콜드스팟지역은 자산동과 내서읍지역이 었다.
이러한 결과를 종합하면 표 6과 같이 공간 오차모형(SEM)이 가장 현상을 잘 설명하는 것으로 나타났다. SEM을 이용한 분석결과 노령자인구비, 재산세, 도소매업수, 그리고 숙박 음식업종수가 범죄율에 영향을 주는 요인으로 분석되었다. 노령자인구비, 재산세, 숙박음식업종수가 범죄율과 정(+)의 관계를 가지는데 반해, 도소매업수는 약하나마 부(-)의 관계를 가지는 것으로 나타났다.
총범죄수는 금요일이 가장 많았고, 일요일이 가장 적었으며, 목요일이 그 뒤를 이어 범죄건수가 적게 보고되었다. 계절별로는 절도사건은 주로 가을철에 집중하여 나타나고 있고, 폭력사건은 봄철에 가장 빈번하게 발생하고 있는 것으로 나타났다. 그러나 강간, 강도 등의 강력범죄는 주로 여름철에 집중되고 있었다.
공간회귀분석 결과는 그림 7과 같으며, Multicollinearity condition number가 30이상으로 다중공선성에 큰 문제가 없고, Breusch-Pagan과 Koenker-Bassett의 유의확률(p-value)값이 모두 0.05이하로 변수의 이분산성이 존재함으로서 공간회귀분석의 전제조건을 만족하고 있다. 공간적 자기상관 검정진단에서는 Moran's I(error)의 유의확률이 0.
는 표준화 된 가중치 행렬이다. 국지적인 군집여부를 확인하기 위한 방법으로 Local Moran 지수를 표준화시킨 Z값이 높은 양의 값을 가지면 공간군집이 유사성을 가지는 것으로 결론을 내리고, 높은 음의 값으로 나타날 경우에는 공간적으로 이질성을 가지고 있다고 할 수 있다. 한편 본 연구에서는 인접성 가중치 적용방법 가운데 하나인 Rook방식을 취했을 때, Moran's I와 LISA 분석에서는 최적의 값을 찾아내주었고, 공간회귀모델의 경우에는 거리 가중치 방법 중 Threshold Distance(3,500m)에 의한 이웃정의 방식을 취했을 때 모형의 적합도가 가장 높게 나타났다.
이러한 범죄분포는 최근린분석을 통해 보다 계량화된 지표로 제시될 수 있다. 그 결과 표 3과 같이, 살인을 제외한 모든 범죄유형들이 인접하여 발생하는 군집 성향을 보이고 있으며, 특히 폭력범죄는 최근린지수가 약 0.3으로 매우 강한 군집 패턴을 띠는 것으로 분석되었다. 살인범죄의 경우는 일반적으로 임의적인 분포 형태로 발생하는 것으로 알려졌으나 본 연구에서는 다소 규칙적인 패턴에 가까운 것으로 추정되었다.
끝으로 범죄 발생에 영향을 미치는 요인을 규명해 보기 위해 기존사례 연구들로부터 변수들을 추출하여 공간회귀분석을 시도하여 공간오차 모형(SEM)이 가장 적합한 것으로 나타났고, 5대 총범죄율과 절도범죄율의 경우, 노령자인구비, 재산세, 도소매업수, 그리고 숙박음식업종수가 범죄율에 영향을 주는 요인으로 분석되었다. 폭력범죄의 경우는 이외에도 인구밀도가 유의미한 변수로 추가되었는데, 인구밀도는 범죄율에 부(-)적 영향을 미치는 것으로 분석되었다.
SEM을 이용한 분석결과 노령자인구비, 재산세, 도소매업수, 그리고 숙박 음식업종수가 범죄율에 영향을 주는 요인으로 분석되었다. 노령자인구비, 재산세, 숙박음식업종수가 범죄율과 정(+)의 관계를 가지는데 반해, 도소매업수는 약하나마 부(-)의 관계를 가지는 것으로 나타났다. 노령자인구비는 OLS 모형을 제외하고 SLM과 SEM 모형에서 유의하게 나타났다(p<0.
노령자인구비는 OLS 모형을 제외하고 SLM과 SEM 모형에서 유의하게 나타났다(p<0.05)
둘째, 공간회귀분석모형의 적용에 있어 변수가 충분하지 못한 점이다. 그 이유는 데이터 출처에 따라 집계단위가 다르기 때문에 이를 통합하는 과정이 쉽지 않아 채택 가능한 변수수가 줄었기 때문이었다.
그러나 분석에 앞서 다중공선성(multicollinearity) 문제를 해결해야 하는데, 이는 독립변수들 간에 인과관계가 존재할 경우, 한 설명변수가 다른 설명변수에 커다란 영향을 줌으로써 통계적 신뢰성을 떨어뜨리게 되므로 이를 통제해야 하기 때문이다. 따라서 표 5와 같이 변수간 상관관계를 분석하여 상관성이 높게 나타난 유아인구비, 청소년비, 세대당 인구비를 제외한 6개의 변수가 최종적으로 선택되었다.
이를 요약하면, 범죄발생율은 도시생활 주기 및 범죄유형에 따라 주기적 패턴을 보일뿐만 아니라 공간적으로도 임의적으로 분포하지 않고 공간적 이질성과 공간적 종속성을 가지면서 군집적으로 발생함을 알 수 있었다. 범죄 유형별로 보면 폭력과 절도 범죄는 군집하는 경향이 강했고, 강도 및 강간 등은 군집의 정도가 약하게 나타났다.
Moran's I 척도와 LISA 분석을 통해서는 범죄의 공간적 자기상관 정도와 군집패턴을 면(polygon)단위로 살펴볼 수 있었다. 분석결과, 모든 범죄유형들에서 공간적 자기상관이 존재하는 것으로 나타났고, 강도범죄율은 가장 높은 공간적 자기상관이 존재하는 것으로 확인되었다. LISA 분석의 경우 핫스팟보다는 콜드스팟을 찾아내는데 더 효과적이었으며 대표적인 콜드스팟지역은 자산동과 내서읍지역이 었다.
05)로 판명되었다. 음식숙박업종수와 재산세, 노령자인구비가 폭력 범죄율과 정(+)의 관계를 가지고 있는 반면, 도소매업종수와 인구밀도는 폭력범죄율과 부(-)의 관계를 가지는 것으로 나타났다.
이러한 결과를 종합하면 표 6과 같이 공간 오차모형(SEM)이 가장 현상을 잘 설명하는 것으로 나타났다. SEM을 이용한 분석결과 노령자인구비, 재산세, 도소매업수, 그리고 숙박 음식업종수가 범죄율에 영향을 주는 요인으로 분석되었다.
본 연구를 통해 마산시의 각 행정동을 대상으로 하여 범죄발생의 시간대별, 공간적 범죄 발생의 분포 패턴을 파악하였고, 공간회귀모델을 통해 범죄 발생요인 등을 분석하였다. 이를 요약하면, 범죄발생율은 도시생활 주기 및 범죄유형에 따라 주기적 패턴을 보일뿐만 아니라 공간적으로도 임의적으로 분포하지 않고 공간적 이질성과 공간적 종속성을 가지면서 군집적으로 발생함을 알 수 있었다. 범죄 유형별로 보면 폭력과 절도 범죄는 군집하는 경향이 강했고, 강도 및 강간 등은 군집의 정도가 약하게 나타났다.
폭력범죄의 경우도 High-High 지역이 나타나지 않은 것을 제외하면 절도범죄율과 유사한 패턴으로 나타났다. 이상과 같이 전반적으로 본 연구에서의 LISA 분석은 면사상을 대상으로 핫스팟보다는 콜드스팟을 찾아내는데 더 효과적임을 알 수 있다.
이상에서 범죄발생의 공간적 분포패턴을 살펴본 결과, 범죄 발생이 빈번한 지역이 존재하고, 분포패턴도 지역적 편차가 있음을 알 수 있었다. 그러나 지역마다 범죄발생율이 다르게 나타나는 이유와 범죄 발생요인에 대하여 알아보기 위해 공간회귀분석을 시도해 보았다.
이상을 요약하면 범죄발생은 도시생활 및 범죄유형에 따라 일정한 주기성을 띠고 있다고 할 수 있다. 예외적으로 살인사건의 경우는 주로 우발적 상황에서 충동적으로 발생되는 경우가 많아 일정한 시간적 발생 패턴이 없는 것으로 나타났다.
이상의 지표로 분석한 결과 마산의 경우 그림 2와 같이 범죄발생의 방향은 북동에서 남서쪽으로의 방향성을 띠고 있고, 범죄발생의 중심점은 회성1동의 서쪽 경계부근에 나타났다.
절도범죄율 역시 SEM모형이 더 설명력이 높은 것으로 나타났다. 음식숙박업종수와 도소매업, 재산세, 노령자인구비가 유의하게 나왔는데(p<0.
0807으로 공간적 자기상관이 존재하는 것으로 나타났다. 특히 강도의 경우 가장 높은 공간적 자기상관이 존재하였고, 강간범죄율은 다른 범죄유형들과 달리 부(-)의 공간적 자기상관이 있는 것으로 나타났다.
폭력범죄율의 경우도 표 8과 같이 SEM모형의 설명력이 가장 높게 나타났으며, 총범죄율과 절도범죄율에서는 유의하지 않았던 인구밀도가 유의한 변수(p<0.05)로 판명되었다.
끝으로 범죄 발생에 영향을 미치는 요인을 규명해 보기 위해 기존사례 연구들로부터 변수들을 추출하여 공간회귀분석을 시도하여 공간오차 모형(SEM)이 가장 적합한 것으로 나타났고, 5대 총범죄율과 절도범죄율의 경우, 노령자인구비, 재산세, 도소매업수, 그리고 숙박음식업종수가 범죄율에 영향을 주는 요인으로 분석되었다. 폭력범죄의 경우는 이외에도 인구밀도가 유의미한 변수로 추가되었는데, 인구밀도는 범죄율에 부(-)적 영향을 미치는 것으로 분석되었다. 이러한 유의미한 분석결과들에도 불구하고, 본 연구는 다음과 같은 몇 가지 한계점을 가지고 있다.
한편 본 연구에서는 인접성 가중치 적용방법 가운데 하나인 Rook방식을 취했을 때, Moran's I와 LISA 분석에서는 최적의 값을 찾아내주었고, 공간회귀모델의 경우에는 거리 가중치 방법 중 Threshold Distance(3,500m)에 의한 이웃정의 방식을 취했을 때 모형의 적합도가 가장 높게 나타났다.
후속연구
상기의 한계점에도 불구하고 본 연구결과는 환경범죄학 이론에 GIS의 공간분석 기능과 공간통계분석방법을 통합하여 범죄 현상의 공간적 특성을 밝혔다는 점에서 연구의 의의를 들 수 있고, 연구 결과는 향후 지역적 범죄예방을 위한 치안 활동과 범죄로부터 안전한 U-City 구현을 위한 관련 정책수립 등에 기초적인 자료로 활용될 수 있을 것으로 기대된다.
첫째, 범죄자료 확보 측면에서의 한계점이다. 범죄신고관리대장이 체계적이지 못하고, 사건발생장소 및 주소 등이 불명확하게 기재 되어 정확한 범죄사건의 표본추출이 어려웠다.
셋째, 면사상을 대상으로 한 범죄분석에서 행정동 단위 이하의 공간적 범위를 충분히 고려하지 못한 측면이 있다. 핫스팟지역을 중심으로 보다 미시적 관점에서 공간특성 및 사회경제적 특성을 반영한 범죄분석이 이뤄져야 할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
밀도분석이란 무엇인가?
표준편차타원체는 점 사상들의 산술적 평균과 표준거리를 이용하여 타원체를 도식화하는 것으로 사건의 분포 경향, 즉 점사상의 방향성을 직관적으로 파악할 수 있게 해준다. 밀도분석은 연구지역을 동일한 크기의 격자(grid)로 나눈 후 각 격자에 집계되는 점 사상의 빈도수를 2차원으로 표현하는 방법이다. 이를 통해 연구지역 내 사건들의 공간적 밀도를 분석하고 모델링 할 수 있다.
NNI가 1인 경우, 1보다 큰 경우, 1보다 작은 경우는 각각 무엇을 의미하는가?
점 분포패턴으로부터 기대되는 평균 최근린거리를 구한 후, 기대되는 평균 최근린거리에 대한 관측된 평균 최근린 거리의 비율로서의 최근린지수(NNI)를 도출하게 되는데, 이 지수를 통해 점분포 패턴에서 각 점들의 간격이 임의적인 점분포 패턴에서의 간격에 비해 어느 정도 차이가 발생하는지를 알 수 있다. NNI가 1인 경우는 완전히 임의적인 분포유형을 의미하며 NNI가 1보다 큰 경우에는 규칙적인 분포이고, NNI가 1보다 작은 경우는 점들이 모여 있는 군집적 분포를 의미한다(이희연, 1989).
밀도분석의 구체적인 방법으로는 어떤 것들이 있는가?
이를 통해 연구지역 내 사건들의 공간적 밀도를 분석하고 모델링 할 수 있다. 구체적인 방법으로는 bining, hexagonal bining, kernel, quadrat 방식 등이 있는데 본 연구에서는 커널(kernel) 추정법을 적용하여 분석해 보기로 하였다.
참고문헌 (16)
강석진, 이경훈. 2007. 도시주거지역에서의 근린관계 활성화를 통한 방범환경조성에 대한 연구-수도권 P시 단독주택지를 중심으로. 대한건축학회논문집(계획계) 97-106쪽.
권오은. 2002. GIS를 이용한 범죄 지역 분석-파출소를 중심으로. 서울시립대학교 석사학위논문. 1-94쪽.
김동근, 윤영진, 안건혁. 2007. 토지이용에 따른 도시범죄에 대한 연구. 대한국토도시계획학회지(국토계획) 42(7):155-168.
남광우, 김호용, 이성호, 이상학, 하수욱, 최현. 2005. 사회경제적 지리정보 활용 및 데이터 요구조건에 관한 연구. 한국지리정보학회지 8(3):44-54.
황선영, 황철수. 2003. GIS를 활용한 도시 범죄의 공간패턴분석. 대한국토도시계획학회지(국토계획) 38(1):53-66.
Anselin, 2005. Exploring spatial data with GeoDaTM: A workbook. Center for Spatially Integrated Social Science.
Bowers, K. and A. Hirschfield. 1999. Exploring links between crime and disadvantage in north-west england: An analysis using geographical information systems. IJGIS vol.13(2), pp.159-184.
Hillier, B. and S. Shu. 2000. Crime and urban layout: the need for evidence. In: Secure foundations: key issues in crime prevention, crime reduction and community safety. Institute for Public Policy Research, London, UK, pp.224-248.
Jeffery, C.R. 1971. Crime Prevention Through Environmental Design. Beverly Hills, CA: Sage Publications.
Levine, N. 2005. CrimeStat: A spatial statistics program for the analysis of crime incident location. Ned Levine & Associates, Houston, TX, and the National Institute of Justice, Washington DC.
Lockwood, D. 2007. Mapping crime in Savannah. Social Science Computer Review, Vol. 25(2), pp.194-209.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.