본 연구의 목적은 서울 도심지역의 행정동별 지역적 요소와 계획적 요소가 목적지로의 통행수단으로서 보행을 결정하는 것에 미치는 영향의 정도를 파악하고, 이에 대한 분석 결과 및 보행의 공간적 특성을 통해 지역별 특성을 파악하고자 함에 있다. 보행 결정에 영향을 미치는 요소들의 영향 정도를 파악하기 위해 본 연구에서는 전역적 차원의 회귀분석 모형인 최소자승모형을 사용하였고, 이와 더불어 다양한 공간통계 분석모형 중 지역별 보행특성을 기반으로 공간적 이질성을 고려하는 지리가중회귀모형의 적용을 통해 지역별 특성을 파악하고자 하였다. 전역적 차원의 회귀분석 결과 목적지로의 보행 선택에 영향을 주는 요소로는 지역적 요소 중 교통시설 지역 및 상업지역, 대학교 면적이, 계획적 요소 중에서는 교육.연구시설 및 계획시설 면적이 보행 선택에 정의 영향을 주었다. 마지막으로 지리가중회귀모형의 분석 결과를 통해 서울 도심지역 중 교통중심지 및 취약지, 상업 업무 중심지, 대학가 중심지, 연구시설 밀집지를 파악할 수 있었다. 본 연구의 결과를 통해 지역 및 공간적 이질성에 대한 이해 없이 진행되었던 기존의 계획 및 정책들에 지역적 특성이라는 정보를 제공함으로 이에 대한 반영의 여지를 주어 보다 지역발전 차원의 계획 수립에 기여할 수 있을 것이라는 점에 본 연구의 의의가 있을 것이라 여겨진다.
본 연구의 목적은 서울 도심지역의 행정동별 지역적 요소와 계획적 요소가 목적지로의 통행수단으로서 보행을 결정하는 것에 미치는 영향의 정도를 파악하고, 이에 대한 분석 결과 및 보행의 공간적 특성을 통해 지역별 특성을 파악하고자 함에 있다. 보행 결정에 영향을 미치는 요소들의 영향 정도를 파악하기 위해 본 연구에서는 전역적 차원의 회귀분석 모형인 최소자승모형을 사용하였고, 이와 더불어 다양한 공간통계 분석모형 중 지역별 보행특성을 기반으로 공간적 이질성을 고려하는 지리가중회귀모형의 적용을 통해 지역별 특성을 파악하고자 하였다. 전역적 차원의 회귀분석 결과 목적지로의 보행 선택에 영향을 주는 요소로는 지역적 요소 중 교통시설 지역 및 상업지역, 대학교 면적이, 계획적 요소 중에서는 교육.연구시설 및 계획시설 면적이 보행 선택에 정의 영향을 주었다. 마지막으로 지리가중회귀모형의 분석 결과를 통해 서울 도심지역 중 교통중심지 및 취약지, 상업 업무 중심지, 대학가 중심지, 연구시설 밀집지를 파악할 수 있었다. 본 연구의 결과를 통해 지역 및 공간적 이질성에 대한 이해 없이 진행되었던 기존의 계획 및 정책들에 지역적 특성이라는 정보를 제공함으로 이에 대한 반영의 여지를 주어 보다 지역발전 차원의 계획 수립에 기여할 수 있을 것이라는 점에 본 연구의 의의가 있을 것이라 여겨진다.
The objective of this study is to identify the causes of pedestrian volume path to the destination by investigating the influential levels of regional and planning features in the central area of Seoul. Regional characteristics can be classified from the result of the analysis and through the spatia...
The objective of this study is to identify the causes of pedestrian volume path to the destination by investigating the influential levels of regional and planning features in the central area of Seoul. Regional characteristics can be classified from the result of the analysis and through the spatial characteristics of pedestrian volume. For global scale analysis, Ordinary Least Squares (OLS) regression is used for the degree of influence of each characteristics to pedestrian volume. For the local scale, Geographically Weighted Regression (GWR) is used to identify regional influential factors with consideration for spatial differences. The results of OLS indicate that boroughs with transportation facilities, commercial business districts, universities, and planning features with education research facilities and planning facilities have a positive effect on pedestrian volume path to the destination. Correspondingly, transportation hubs and congested areas, commercial and business centers, and university towns and research facilities in the Seoul central area can be identified through the results of GWR. The results of this study can provide information with relevance to existing plans and policies about the importance of regional characteristics and spatial heterogeneity effects on pedestrian volume, as well as significance in the establishment of regional development plans.
The objective of this study is to identify the causes of pedestrian volume path to the destination by investigating the influential levels of regional and planning features in the central area of Seoul. Regional characteristics can be classified from the result of the analysis and through the spatial characteristics of pedestrian volume. For global scale analysis, Ordinary Least Squares (OLS) regression is used for the degree of influence of each characteristics to pedestrian volume. For the local scale, Geographically Weighted Regression (GWR) is used to identify regional influential factors with consideration for spatial differences. The results of OLS indicate that boroughs with transportation facilities, commercial business districts, universities, and planning features with education research facilities and planning facilities have a positive effect on pedestrian volume path to the destination. Correspondingly, transportation hubs and congested areas, commercial and business centers, and university towns and research facilities in the Seoul central area can be identified through the results of GWR. The results of this study can provide information with relevance to existing plans and policies about the importance of regional characteristics and spatial heterogeneity effects on pedestrian volume, as well as significance in the establishment of regional development plans.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
각 방법론별 결과 값들을 통해 본 연구에서는 지역별 토지이용 및 계획시설의 현황과 보행특성을 토대로 목적지로의 보행결정에 대한 전역 및 지역적 영향요인을 파악하고 지역적 특성과 보행특성 간의 상관관계를 밝히는 것을 본 연구의 목적으로 한다. 이러한 분석들을 통해 본 연구의 결과들은 계획의 우선 시행 지역의 판단을 위한 의사결정 도구로서의 활용이 기대되며, 추후 관련 계획 및 정책 수립과정에 있어 지역적 특성이라는 정보를 제공함으로 보다 지역발전 차원의 계획 및 정책 수립과정에 기여할 수 있을 것이라 여겨진다.
첫 째로는 과연 해당 지역의 지역적 요소와 계획적 요소가 사람들이 걷는 것에 영향을 미치는가에 대한 것이며, 다음으로는 보행량이 많은 지역에는 과연 어떠한 요소들이 위치하고 있는가에 대한 것이다. 더 나아가 마지막으론 목적지로의 통행수단을 보행으로 결정하게끔 하는 요인이 지역별로 상이한지에 대한 물음 하에 본 연구를 진행하게 되었다.
본 연구는 지역적 요소와 함께 계획적 요소를 고려한 서울 도심지역의 보행량에 대한 영향요인들을 전역 및 국지적으로 분석하였고, 이와 더불어 이를 통한 지역별 특성 파악에 대해 분석하였다. 본 연구의 분석결과와 시사점을 정리하면 다음과 같다.
본 연구에서는 다수의 미시적 차원의 국내·외 선행연구들과는 다르게 거시적 차원에서 해당 행정동으로의 보행량에 영향을 미치는 요소들이 무엇인지를 파악하고자 하며, 지역적 특성과 보행 특성간의 관계를 파악하고자 한다.
앞서 기술하였던 국내·외 여러 선행연구들은 주로 등분산성을 가정하는 모형을 통해 보행량의 결정 또는 영향요인을 분석하고자 하였다.
앞선 OLS 분석 결과를 통해 해당 변수에 대한 추가적인 공급이 보행량의 증가에 얼마만큼 영향을 주는지 전역적인 차원에서 보았다. 이와 다르게 국지적 차원의 분석 모형인 지리가중회귀모형을 통한 결과는 보행량에 미치는 영향의 정도가 지역별로 차이가 있을 수 있다는 것을 증명하는 것으로 이는 다르게 말해 해당 지역의 특성에 따라 해당 변수의 추가적인 공급이 보행량의 증가가 아닌 감소를 불러올 수도 있다는 뜻이다.
상위 4가지 설명변수별로 제시한 2개의 그림들은 해당 설명변수들의 국지적 계수 및 국지적 계수들의 군집화한 결과를 연구 지역에 해당하는 130개의 행정동별로 도식화한 것이다. 이러한 과정을 통해 지역별 차이를 보다 쉽게 해석할 수 있으며, 이를 토대로 지역별 특성을 파악하여 이를 해석하고자 하였다. 군집화 방법으로는 핫스팟 분석(Hot Spot Analysis)으로 불리는 Getis and Ord’s Gi를 이용하였으며, 5%의 유의수준 에서 도식화하였다.
이에 따라 본 연구에서는 이러한 공간적 특성을 반영하기 위해 그 지역적 성격을 대변할 수 있는 주거, 상업·업무, 교통시설지역 및 대학교의 면적과 더불어 그 지역에 위치하는 교육·연구시설, 계획시설 면적을 설명변수로 설정하여 각각 행정동의 지역 및 계획적 특성에 따라 각각의 행정동을 목적지로 하는 보행량의 특성을 규명하고자 하였다.
이에 본 연구는 이러한 실제의 현황 또는 현상들이 가지는 이분산성을 가정한 접근법인 지리가중회귀모형을 적용하여 본 주제에 대해 분석하고자 하였다. 이를 통해 목적지로의 통행수단 중 보행을 선택하는 데에 영향을 주는 요인이 무엇인지 분석하고, 이러한 요인들이 많은 지역을 파악하여 통행의 원활화 또는 이에 대한 유발을 목적으로 하는 요소들의 관련 계획 및 정책 수립 과정에 지역별 정보를 제공하여 의사 결정시 그에 대한 도구로써 활용되어질 것을 기대한다.
, 2007; Rodriguez and Joo, 2004; Zhang, 2004). 이에 본 연구에서는 보행량에 대한 분석을 보다 거시적인 차원에서 수행하고, 연구 지역을 대표할 수 있는 해당 지역의 특성이 목적지로의 통행수단으로 보행을 결정하는 것에 영향을 주는지를 파악하고자 하였다. 본 연구에서는 이를 위해 설명변수들로 연구 지역 내의 행정동별 주거, 상업･업무, 교통시설, 대학교로 이용되는 토지의 면적을 비롯해 교육·연구시설, 계획시설 면적을 설정하여 연구를 진행하였다.
4가지 비교값들 중 본 연구에서는 보정된 R2 값과 AICc4) 값을 비교함으로 더욱더 적합한 모형을 판단하고자 하며 이는 각각 R2 값과 AIC 값의 단점을 보완한 식의 값이기 때문이다. 이와 더불어 공간계량모형의 핵심적인 2가지 통계적 개념인 공간적 종속성과 공간적 이질성에 대한 검증 결과의 비교를 통해 본 연구에 더욱 적합한 모형을 판단하고자 한다.
이와 더불어 본 연구에서는 최소자승모형과 지리가중회귀모형을 적용하여 보행량의 전역적, 국지적 영향요인을 분석하고자 하였다. 최소자승모형을 적용하여 보행량에 대한 전역적 영향요인을 분석한 결과 주거지역을 제외한 나머지 5가지 설명변수들이 통계적으로 유의미한 것으로 분석되었고, 모든 변수들이 보행량과 정(+)의 상관관계를 갖는 것으로 도출되었다.
이를 해소하기 위한 대안으로 정부는 대중교통체계개편(2004)과 같은 정책을 수립 및 시행하였고, 비교적 최근인 2013년 서울시는 교통장기계획인 서울교통비전2030을 발표하기에 이르렀다. 해당 계획은 보행, 자전거, 대중교통 중심의 교통체계 재개편을 시사해주는 것이었다. 이 중 보행자를 위한 보행환경개선계획의 세부안으로는 보도면적의 2배 확충, 보행 동선의 재정비, 노약자를 위한 교통안전구역지정, 보행자 전용구역 지정 등이 있었다.
제안 방법
지역적 요소에 대해서는 주거지역 면적, 상업·업무지역 면적, 교통시설 면적, 대학교 면적으로 설정하였고, 계획적 요소에 대해서는 교육·연구시설 면적, 계획시설 면적으로 설정하였다. 6가지 설명변수들에 대해선 GIS를 활용하여 구축하였다. 환경부에서 제작한 토지피복도(Land Cover Map)6)를 기반으로 주거, 상업·업무, 교통시설지역 면적을 추출하였고, 서울시에서 제공하는 GIS자료를 기반으로 대학교, 교육·연구, 계획시설 면적을 추출하였다.
이는 특정지역 i와 타 지역 간의 거리(d)를 기초로 하고, 가중치(wij)를 포함한다. 두 지역 간의 거리기준 가중치에는 선행연구들에 의해 여러 유형이 소개되었으나, 본 연구에서는 연구 지역의 분포가 불규칙함을 고려해 연구지역들의 분포에 따라 커널을 달리 설정하는 적응적 커널(adaptive kernel)2) 방식을 채택하였으며, 이에 대한 수식은 식(5)와 같다.
분석에 활용된 자료들은 2010년도를 기준으로 한다. 보다 최신의 자료를 토대로 분석이 이루어지는 것이 바람직하나 최신의 서울시 행정동별 자료를 구축하는 것에 어려움이 따라 본 년도를 기준으로 분석하였다.
본 연구에서는 이를 위해 설명변수들로 연구 지역 내의 행정동별 주거, 상업･업무, 교통시설, 대학교로 이용되는 토지의 면적을 비롯해 교육·연구시설, 계획시설 면적을 설정하여 연구를 진행하였다.
서울 도심지역 내 보행량의 영향요인을 분석함에 있어 본 연구에서 설정한 설명변수들은 앞서 기술하였던 선행연구들을 참조함과 동시에 자료 구득 여부를 고려하여 선정 후 설정하였다. 본 연구의 종속변수인 보행량률 (P.V. Rate: Pedestrian Volume Rate)5)은 국가교통데이터베이스에서 제공하는 2010년 수단 OD자료를 토대로 목적지까지 오로지 보행으로만 이동한 통행량에 기반을 두었다. 보행량률은 연구지역 내로 도착하는 전체 보행량에 특정지역(i)으로 도착하는 보행량을 나누어준 값에 백(100)을 곱해주어 계산하였다.
서울 도심지역 내 보행량의 영향요인을 분석함에 있어 본 연구에서 설정한 설명변수들은 앞서 기술하였던 선행연구들을 참조함과 동시에 자료 구득 여부를 고려하여 선정 후 설정하였다. 본 연구의 종속변수인 보행량률 (P.
앞서 기술하였던 바와 같이 두 모형 간의 적합성을 판단하기 위한 방법으로 먼저 각 모형의 보정된 R2 값과 AICc 값을 비교하였다. 그 결과 전역적 차원의 최소자 승모형의 보정된 R2 , AICc 값은 각각 0.
앞서 언급한 두 모형들 중 과연 어떠한 모형이 본 연구에 더욱 적합한지를 판단하기 위한 방법에는 여러 가지 방법이 있으며, 이 중 가장 기초적인 방법으로는 각 모형의 R2 값, 보정된 R2 값, AIC(Akaike Information Criterion)값, AICc 값을 비교하는 것이다.
이러한 결과에 대해서는 본 연구 모형의 설명변수들을 개별적으로 분석해보면 보다 더 쉽게 이해할 수 있으나, 본 연구에서는 국지적 차원의 최소자승모형 분석 결과에서의 추정계수가 통계적으로 유의미함과 동시에 지역별 차이가 보다 뚜렷한 상업·업무지역, 교통시설지역, 대학교, 교육·연구시설에 대해서만 개별적인 분석을 수행하였다.
지역적 요소에 대해서는 주거지역 면적, 상업·업무지역 면적, 교통시설 면적, 대학교 면적으로 설정하였고, 계획적 요소에 대해서는 교육·연구시설 면적, 계획시설 면적으로 설정하였다.
환경부에서 제작한 토지피복도(Land Cover Map)6)를 기반으로 주거, 상업·업무, 교통시설지역 면적을 추출하였고, 서울시에서 제공하는 GIS자료를 기반으로 대학교, 교육·연구, 계획시설 면적을 추출하였다.
대상 데이터
본 연구에는 서울의 도심지역이라 흔히 일컬어지는 종로구, 중구 및 용산구를 비롯하여 서대문구, 마포구, 성북구, 동대문구, 성동구를 대상으로 이루어졌다. 해당 행정구역을 본 연구의 범위로 설정한 이유는 해당 지역이 타 지역과 비교하였을 때 상대적으로 다양한 토지이용이 복합적으로 위치하고 있는 전형적인 도심지역으로 타 지역의 도심지역들에 대해 대표성을 지니기 때문이다.
분석에 활용된 자료들은 2010년도를 기준으로 한다. 보다 최신의 자료를 토대로 분석이 이루어지는 것이 바람직하나 최신의 서울시 행정동별 자료를 구축하는 것에 어려움이 따라 본 년도를 기준으로 분석하였다.
이론/모형
공간적 자기상관성의 검정은 공간계량모형 적용의 타당성 여부를 판별하는 기법으로, 이를 측정하는 방법은 다양하나, 본 연구에서는 가장 일반적으로 널리 쓰이는 Moran’s I를 통해 본 연구 모형의 종속변수인 보행량의 공간적 자기상관성을 측정하였다.
군집화 방법으로는 핫스팟 분석(Hot Spot Analysis)으로 불리는 Getis and Ord’s Gi를 이용하였으며, 5%의 유의수준 에서 도식화하였다.
먼저 과연 해당 지역의 지역 및 계획적 요소가 보행에 영향을 미치는지 알아보기 위해 전역적 차원의 회귀분석모형(Global Regression Model)인 최소자승모형(OLS: Ordinary Least Squares)을 통해 본 연구에서 설정한 설명변수들이 보행량에 미치는 전역적 영향의 정도를 파악하고자 하였고, 지역별 보행량에 대한 영향요인 파악을 통해 지역적 특성이 보행량에 어떠한 영향을 주는지 파악하고자 국지적 차원의 회귀모형(Local Regression Model)인 지리가중회귀(GWR: Geographically Weighted Regression)모형 적용하였다.
성능/효과
값과 AICc 값을 비교하였다. 그 결과 전역적 차원의 최소자 승모형의 보정된 R2 , AICc 값은 각각 0.4796과 71.2598로 도출되었고, 국지적 차원의 지리가중회귀모형의 경우 0.5987과 54.2130으로 도출되었다. 지리가중회귀모형의 보정된 R2 값과 AICc 값은 최소자승모형의 값에 비해약 0.
더 나아가, 본 연구 변수들의 공간적 이질성이라는 특성을 토대로 지리 가중회귀모형을 적용하여 보행량에 대한 국지적 영향 정도를 파악한 결과 지역별로 영향의 정도가 뚜렷하게 나타난 변수는 상업·업무지역, 교통시설지역, 대학교 및 교육·연구시설로 분석되었다.
이는 즉 지리가중회귀모형은 최소자승모형과 비교 했을 때 본 연구 모형을 약 12% 개선시켰다는 것을 시사한다. 따라서 본 연구의 모형에 대해 더욱 잘 설명하고, 보다 적합한 연구 방법론은 지리가중회귀모형이라는 것을 알 수 있었다.
본 연구에서 설정한 보행량 영향요인 모형은 전역적 차원의 회귀분석 모형인 최소자승모형에 의해 연구 모형의총 분산을 약 48% 설명하는 것을 보정된 R2값을 통해 알 수있다. 이와 더불어 분산팽창계수(VIF: Variance Inflation Factor)의 값을 통해 연구 모형의 설명변수들끼리의 상관관계를 의미하는 다중공선성(Multicollinearity)의 가능 성을 판별할 수 있는데, 본 모형에 대해서는 Table 3에서볼 수 있듯 해당 값이 모든 설명변수에 대해 2 이하로 다중 공선성의 문제는 발생하지 않을 것이라는 것을 알 수 있다.
설명변수들 중 교통시설지역, 대학교와 같은 지역요소들에 비해 교육·연구시설, 계획시설과 같은 계획요소들이 보행량에 미치는 영향이 대체로 크게 나타났는데, 시설 변수들에 대한 결과를 살펴보면 해당 시설들의 면적이 1km 2 증가할 경우 보행비율이 약 3% 증가하는 것으로 분석되었으며, 이는 곧 해당 면적의 증가에 따라 해당지역으로의 보행량은 약 41,500 정도 증가한다는 것을 뜻한다.
연구 지역 내 보행량의 공간적 분포를 구 단위로 살펴보면, 성북구의 보행량이 전체 보행량의 16.70%로 가장 높게 나타났으며, 다음으로는 마포구(14.81%), 동대문구 (13.95%), 서대문구(12.71%), 성동구(12.32%) 순으로 높게 나타났다. 반면 보행량의 공간적 분포를 행정동 단위로 살펴볼 경우 서대문구 신촌동에서 전체 보행량의 2.
연구 지역 내의 행정동별 보행량의 총 값은 약 138만 3,652로 이를 130개의 행정동으로 나눈 결과 약 1만 643(0.77%)의 보행량이 각 지역에서 평균적으로 이루어지고 있다는 것을 알 수 있다.
위의 5가지 설명변수들 중에서 교육·연구시설과 계획시설에 대한 추정계수의 값은 약 3 정도 되는 것을 알 수 있는데, 이는 해당 시설에 대한 1㎢ 공급은 약 3%의 보행량을 유발시키는 것으로, 약 4만의 보행량이 해당 시설의 공급에 의해 유발된다는 뜻으로 해설할 수 있다.
12 정도 높아지고, 약 17 정도 낮아진 것을 알 수있다. 이는 즉 지리가중회귀모형은 최소자승모형과 비교 했을 때 본 연구 모형을 약 12% 개선시켰다는 것을 시사한다. 따라서 본 연구의 모형에 대해 더욱 잘 설명하고, 보다 적합한 연구 방법론은 지리가중회귀모형이라는 것을 알 수 있었다.
이를 기반으로 Table 3의 보행량에 대한 전역적 영향 요인 모형의 분석 결과를 살펴보았을 때 보행량에 대해 주거지역면적을 제외한 5가지 설명변수(상업·업무지역, 교통시설지역, 대학교 면적과 교육·연구시설 및 계획시설 면적) 모두 통계적으로 유의미한 것으로 도출되었으며, 모두 보행량과 정(+)의 상관관계를 갖는 것을 알 수있다.
이를 토대로 해당 지역별 특성을 도출하기 위해 공간통계기법을 활용하여 해당 변수들의 지역별 계수들을 군집화한 결과 상업·업무 중심지역, 교통 중심 및 취약지역, 대학가 밀집지역, 연구시설 밀집지역과 같은 지역별 특성들을 파악할 수 있었다.
값을 통해 알 수있다. 이와 더불어 분산팽창계수(VIF: Variance Inflation Factor)의 값을 통해 연구 모형의 설명변수들끼리의 상관관계를 의미하는 다중공선성(Multicollinearity)의 가능 성을 판별할 수 있는데, 본 모형에 대해서는 Table 3에서볼 수 있듯 해당 값이 모든 설명변수에 대해 2 이하로 다중 공선성의 문제는 발생하지 않을 것이라는 것을 알 수 있다.
진단결과, Koenker (BP) 검정 통계량7)값이 통계 적으로 유의미함을 통해 전역적 모형은 이분산성을 가지며, Jarque-Bera 검정 통계량 값이 통계적으로 유의미 하지 않음을 통해 이의 예측 값들은 편향되지 않음을 알 수 있고, Joint Wald 검정 통계량 값이 통계적으로 유의미함을 통해 모형 그 자체가 통계적으로 유의미함을알 수 있다.
이와 더불어 본 연구에서는 최소자승모형과 지리가중회귀모형을 적용하여 보행량의 전역적, 국지적 영향요인을 분석하고자 하였다. 최소자승모형을 적용하여 보행량에 대한 전역적 영향요인을 분석한 결과 주거지역을 제외한 나머지 5가지 설명변수들이 통계적으로 유의미한 것으로 분석되었고, 모든 변수들이 보행량과 정(+)의 상관관계를 갖는 것으로 도출되었다. 설명변수들 중 교통시설지역, 대학교와 같은 지역요소들에 비해 교육·연구시설, 계획시설과 같은 계획요소들이 보행량에 미치는 영향이 대체로 크게 나타났는데, 시설 변수들에 대한 결과를 살펴보면 해당 시설들의 면적이 1km 2 증가할 경우 보행비율이 약 3% 증가하는 것으로 분석되었으며, 이는 곧 해당 면적의 증가에 따라 해당지역으로의 보행량은 약 41,500 정도 증가한다는 것을 뜻한다.
추가적으로 모형별 결과 값 중 표준화된 잔차(Residual) 값에 대한 공간적 자기상관성을 검정 해본 결과 최소자승모형에 대해선 10%의 유의수준에 대해 기각되어 공간적 자기상관성을 띄는 결과가 도출된 반면, 지리가중 회귀모형에 대해선 Moran’s I 지수의 유의확률이 통계적으로 유의미하지 않아 공간적 자기상관성을 띄지 않는 다는 것을 알 수 있다.
교육 및 연구시설에 대한 지역별 추정계수의 분포 및이에 대한 군집화 결과는 Figure 8, Figure 9을 통해 알 수 있다. 해당 변수에 대한 계수 역시 지역별로 차이가 있는 것으로 분석되었고, 이 중 종속변수와 큰 정(+)의 상관관계를 갖는 지역들은 연구지역의 중심부를 비롯해 남측 일부에 위치하고 있는 것으로 분석되었다.
대학교가 보행량에 미치는 영향에 대한 지역별 추정 계수의 분포 및 이에 대한 군집화 결과는 Figure 6, Figure 7을 통해 알 수 있다. 해당 설명변수에 대한 계수 역시 지역별 차이를 나타내는 것으로 분석되었고, 이중 보행량과 큰 정(+)의 상관관계를 갖는 지역들은 연구지역의 서측에 위치하고 있으며 마포구와 서대문구를 비롯해 용산구 일부 지역이 해당하는 것으로 분석되었다. 이러하게 분석된 해당 지역들에는 홍익대, 연세대, 이화여대, 숙명여대 등 대학가가 상업적으로 활성화된 곳이 있었다.
후속연구
보행을 유발하는 요인들에는 해당 지역의 토지이용 현황 또는 해당 지역에 위치한 계획 시설들 등 여러 가지 요소들이 있을 수 있다. 거시적 차원에서 이루어진 본 연구는 차후 보행이라는 통행수단이 아닌 보다 공간적인 제약을 덜 받는 다른 통행수단의 특성을 기반으로 한 분석 진행에 있어 참조가 가능할 것이라 판단된다.
본 연구에서 활용된 보행량 자료는 정확한 출발과 도착지가 아닌 행정동을 단위로 측정된 설문조사 자료를 토대로 하였기 때문에 이를 활용한 분석에는 어느 정도 오차가 존재한다는 한계를 가진다. 이와 더불어 본 연구에서는 보행활동에 영향을 줄 수 있는 요인에 대해 연구 지역의 지역적 특성에 대해서만 분석하였는데 이 외에도 보행이라는 활동은 통근·통학, 쇼핑, 여가 등과 같은 통행목적에 따라 해당 활동에 영향을 줄 수 있는 정도가 다를 수 있어 추후의 연구에선 이와 같은 부분들에 대해 고려할 필요성이 있다 여겨진다.
각 방법론별 결과 값들을 통해 본 연구에서는 지역별 토지이용 및 계획시설의 현황과 보행특성을 토대로 목적지로의 보행결정에 대한 전역 및 지역적 영향요인을 파악하고 지역적 특성과 보행특성 간의 상관관계를 밝히는 것을 본 연구의 목적으로 한다. 이러한 분석들을 통해 본 연구의 결과들은 계획의 우선 시행 지역의 판단을 위한 의사결정 도구로서의 활용이 기대되며, 추후 관련 계획 및 정책 수립과정에 있어 지역적 특성이라는 정보를 제공함으로 보다 지역발전 차원의 계획 및 정책 수립과정에 기여할 수 있을 것이라 여겨진다.
보행 그 자체에 대한 관심이 늘어나고 있는 현황에서 보행량을 주제로 하는 연구의 필요성은 나날이 증가하고 있다. 이러한 현황에 발맞추어 보다 다각화된 관점에서 보행량의 요인을 분석하고 이를 위한 계획 또는 정책들에 도움을 줄 수 있는 연구가 국내에서 더욱이 활발히 이루어지기를 기대한다.
이에 본 연구는 이러한 실제의 현황 또는 현상들이 가지는 이분산성을 가정한 접근법인 지리가중회귀모형을 적용하여 본 주제에 대해 분석하고자 하였다. 이를 통해 목적지로의 통행수단 중 보행을 선택하는 데에 영향을 주는 요인이 무엇인지 분석하고, 이러한 요인들이 많은 지역을 파악하여 통행의 원활화 또는 이에 대한 유발을 목적으로 하는 요소들의 관련 계획 및 정책 수립 과정에 지역별 정보를 제공하여 의사 결정시 그에 대한 도구로써 활용되어질 것을 기대한다.
이와 더불어 본 연구에서는 보행활동에 영향을 줄 수 있는 요인에 대해 연구 지역의 지역적 특성에 대해서만 분석하였는데 이 외에도 보행이라는 활동은 통근·통학, 쇼핑, 여가 등과 같은 통행목적에 따라 해당 활동에 영향을 줄 수 있는 정도가 다를 수 있어 추후의 연구에선 이와 같은 부분들에 대해 고려할 필요성이 있다 여겨진다.
질의응답
핵심어
질문
논문에서 추출한 답변
공간계량모형에는 무엇이 있는가?
공간자료를 이용한 분석이 이루어질 경우 고려해야할 핵심적인 두 가지 통계적 개념에는 공간적 종속성 (Spatial Dependence)과 공간적 이질성(Spatial Heterogeneity)이 존재한다. 공간계량모형은 이에 대한 문제점을 해결할 수 있는 모형으로, 이에 해당하는 모형들로는 SAR, SEM, SAC, 공간확장모형, DARP, GWR 모형 등이 있다(Lee et al., 2006).
보행에 영향을 주는 요인은 무엇인가?
보행이라는 통행수단은 가로환경 뿐만 아니라 보행이 일어나는 공간 그 자체의 특성에 많은 영향을 받는다. 그러나 국내에서의 기존 계획 및 정책들은 사람들의 통행 행태만을 고려할 뿐 보행 그 자체가 이루어지는 공간에 대한 이해 없이 진행되어왔다.
이동시간을 줄이고자 무단히 노력한 결과는 무엇인가?
개개인은 그들의 편의 및 효용을 위해 목적지로의 이동시간을 줄이고자 무단히 노력을 해왔다. 이러한 노력은 삶의 질이 풍요로워 질수록 더욱더 이루어져 왔고, 이러한 결과물로 고속철도와 같은 고속 교통수단들은 이제 우리 주위에서 흔히 이용되고 있는 교통수단이 되었다.
참고문헌 (28)
Brunsdon C., Fortheringham S., Charlton M. (1998), Geographically Weighted Regression, Journal of the Royal Statistical Society: Series D (The Statistician), 47(3), 431-443.
Burnham K. P., Anderson D. R. (2002), Model Selection and Multimodel Inference: A Practical Information-Theoretic Approach, Springer(New York, USA).
Cervero R. (1996), Mixed Land-uses and Commuting: Evidence from the American Housing Survey, Transportation Research Part A: Policy and Practice, 30(5), 361-377.
Cervero R., Duncan M. (2003), Walking Bicycling, and Urban Landscapes: Evidence from the San Francisco Bay Area, American Journal of Public Health, 93(9), 1478-1483.
Charlton M., Fotheringham S. (2009), Geographically Weighted Regression, White Paper, National Centre for Geocomputation, National University of Ireland Maynooth.
Fotheringham A. S., Brunsdon C., Charlton M. (2003), Geographically Weighted Regression: the Analysis of Spatially Varying Relationship, John Wiley & Sons(San Francisco, USA).
Frank L. D., Sallis J. F., Saelens B. E., Leary L., Cain K., Conway T. L. et al. (2010), The Development of a Walkability Index: Application to the Neighborhood Quality of Life Study, British Journal of Sports Medicine, 44(13), 924-933.
Greenwald M. J., Boarnet M. G. (2001), Build Environment as Determinant of Walking Behavior: Analyzing Nonwork Pedestrian Travel in Portland, Oregon, Transportation Research Record, 1780(1), 33-41.
Kim H. J., Lee S. W. (2011), Determinants of 5 Major Crimes in Seoul Metropolitan Area: Application of Mixed GWR Model, Seoul Studies, 12(4), 137-155.
Kockelman K. M. (1997), Travel Behavior as Function of Accessibility, Land Use Mixing, and Land Use Balance: Evidence from San Francisco Bay Area, Transportation Research Record, 1607(1), 116-125.
Lee H. Y., Sim J. H. (2011), Geographic Information Science, Bobmunsa(Paju, Korea).
Lee J. A., Koo J. H. (2013), The Effect of Physical Environment of Street on Pedestrian Volume: Focused on Central Business District(CBD, GBD, YBD) of Seoul, Journal of Korea Planners Association, 48(4), 269-286.
Lee J., Wong D. W. (2001), Statistical Analysis with ArcView GIS, John Wiely & Sons.
Lee K. H., Ahn K. H. (2008), An Empirical Analysis of Neighborhood Environment Affecting Residents' Walking: A Case Study of 12 Areas in Seoul, Journal of Architectural Institute of Korea: Planning Part, 24(6), 293-302.
Lee S. W., Yun S. D., Park J. Y., Min S. H. (2006), Practice on Spatial Econometrics Models, Parkyoungsa(Seoul, Korea).
Lee Y. S., Choo S. H., Kang J. M. (2013), Analysing Key Factors to Affect Change of Pedestrian Volume by Neighborhood Units in Seoul, Journal of Korea Planners Association, 48(4), 269-286.
Malczewski J., Poetz A. (2005), Residential Burglaries and Neighborhood Socioeconomic Context in London, Ontario: Global and Local Regression Analysis, The Profession Geographer, 57(4), 516-529.
Mitchell A. (2005), The ESRI Guide to GIS Analysis: Spatial Measurements and Statistics, 2, ESRI Press(Redlands, USA).
Park C. G., Cho S. K. (2014), A Study on the Optimization of Suwon City Bus Route using GWR Model, The Korea Society for Geospatial Information System, 22(1), 41-46.
Park J. Y., Park C. K. (2008), Estimating Interregional Trade Flows of South Korea, Journal of the Korean Regional Science Association, 24(2), 27-57.
Pinjari A. R., Pendyala R. M., Bhat C. R., Waddell P. A. (2007), Modeling Residential Sorting Effects to Understand the Impact of the Built Environment on Commute Mode Choice, Transportation, 34(5), 557-573.
Rodriguez D. A., Joo J. (2004), The Relationship between Non-motorized Mode Choice and the Local Physical Environment, Transportation Research Part D: Transport and Environment, 9(2), 151-173.
Seo J. L., Choi Y. M., Park S. H. (2011), An Empirical Study of Walking Amounts and Routes in Residential Neighborhood: Based on Seoul Bukchon Housewives' Walking Data Drawn from GPS, Journal of Architectural Institute of Korea: Planning Part, 27(9), 271-281.
Wang J. F., Liu X., Christakos G., Liao Y. L., Gu X., Zheng X. Y. (2010), Assessing Local Determinants of Neural Tube Deffects in the Heshun Region, Shanzi Province, China, BMC Public Health, 10(1), 52.
Yu D. (2007), Modeling Owner-occupied Single-family House Values in the City of Milwaukee: A Geographically Weighted Regression Approach, GIScience & Remote Sensing, 44(3), 267-282.
Yun N. Y., Choi C. G. (2013), Relationship between Pedestrian Volume and Pedestrian Environmental Factors on the Commercial Streets in Seoul, Journal of Korea Planners Association, 48(4), 135-150.
Zhang M. (2004), The Role of Land Use in Travel Mode Choice: Evidence from Boston and Hong Kong, Journal of the American Planning Association, 70(3), 344-360.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.