서울시 유동인구 분포의 공간 패턴과 토지이용 특성에 관한 지리가중 회귀분석 Geographically Weighted Regression on the Characteristics of Land Use and Spatial Patterns of Floating Population in Seoul City원문보기
본 연구의 핵심적인 목적은 유동인구 분포의 공간 패턴의 영향요인 분석을 위한 공간회귀모형 적용의 효용성을 검토하는 것이다. 이를 위해 서울시 유동인구 조사 자료를 활용하여 조사지점별 유동인구의 전역적, 국지적 공간 자기상관 측정을 실시하였다. 그 결과 분석에 적용된 공간자기상관 측도인 Moran's I, Getis-Ord-$Gi^*$ 그리고 Local Moran's I 모두에서 통계적으로 유의한 수준의 공간적 유사성과 이질성이 발견되었다. 이를 근거로 유동인구분포와 토지이용 특성과의 관계를 파악하기 위한 통계적 모형으로 공간회귀모형인 지리가중회귀모형(GWR : Geographically Weighted Regression, 이하 GWR)을 채택하였다. 모형의 설명변수로써 서울시 전체에 대한 400m*400m 격자망기반에 토지이용혼합도, 주거 밀도, 상점밀도, 녹지 밀도와, 추가적으로 각 격자별 버스노선밀도, 교차로 밀도, 교통 결절점 접근성, 평균 도로폭, 평균 보도넓이를 산출 및 집계 하였다. 동일한 방식으로 격자망에 집계된 유동인구 정보와 토지이용 및 교통 특성과의 GWR모형 결과를 Ordinary Least Square(OLS) 분석 결과와 비교한 결과 GWR모형의 주요 통계량 수치에서 개선된 결과를 도출하였다. 또한 구획된 격자망의 각 셀별로 도출된 GWR모형의 추론 결과를 검토한 결과 적용된 설명변수의 유동인구 분포에 대한 효과가 국지적으로 변동하는 양상을 파악할 수 있었다.
본 연구의 핵심적인 목적은 유동인구 분포의 공간 패턴의 영향요인 분석을 위한 공간회귀모형 적용의 효용성을 검토하는 것이다. 이를 위해 서울시 유동인구 조사 자료를 활용하여 조사지점별 유동인구의 전역적, 국지적 공간 자기상관 측정을 실시하였다. 그 결과 분석에 적용된 공간자기상관 측도인 Moran's I, Getis-Ord-$Gi^*$ 그리고 Local Moran's I 모두에서 통계적으로 유의한 수준의 공간적 유사성과 이질성이 발견되었다. 이를 근거로 유동인구분포와 토지이용 특성과의 관계를 파악하기 위한 통계적 모형으로 공간회귀모형인 지리가중회귀모형(GWR : Geographically Weighted Regression, 이하 GWR)을 채택하였다. 모형의 설명변수로써 서울시 전체에 대한 400m*400m 격자망기반에 토지이용혼합도, 주거 밀도, 상점밀도, 녹지 밀도와, 추가적으로 각 격자별 버스노선밀도, 교차로 밀도, 교통 결절점 접근성, 평균 도로폭, 평균 보도넓이를 산출 및 집계 하였다. 동일한 방식으로 격자망에 집계된 유동인구 정보와 토지이용 및 교통 특성과의 GWR모형 결과를 Ordinary Least Square(OLS) 분석 결과와 비교한 결과 GWR모형의 주요 통계량 수치에서 개선된 결과를 도출하였다. 또한 구획된 격자망의 각 셀별로 도출된 GWR모형의 추론 결과를 검토한 결과 적용된 설명변수의 유동인구 분포에 대한 효과가 국지적으로 변동하는 양상을 파악할 수 있었다.
The key objective of this research is to review the effectiveness of spatial regression to identify the influencing factors of spatial distribution patterns of floating population. To this end, global and local spatial autocorrelation test were performed using seoul floating population survey(2014) ...
The key objective of this research is to review the effectiveness of spatial regression to identify the influencing factors of spatial distribution patterns of floating population. To this end, global and local spatial autocorrelation test were performed using seoul floating population survey(2014) data. The result of Moran's I and Getis-Ord $Gi^*$ as used in the analysis derived spatial heterogeneity and spatial similarities of floating population patterns in a statistically significant range. Accordingly, Geographically Weighted Regression was applied to identify the relationship between land use attributes and population floating. Urbanization area, green tract of land of micro land cover data were aggregated in to $400m{\times}400m$ grid boundary of Seoul. Additionally public transportation variables such as intersection density transit accessibility, road density and pedestrian passage density were adopted as transit environmental factors. As a result, the GWR model derived more improved results than Ordinary Least Square(OLS) regression model. Furthermore, the spatial variation of applied local effect of independent variables for the floating population distributions.
The key objective of this research is to review the effectiveness of spatial regression to identify the influencing factors of spatial distribution patterns of floating population. To this end, global and local spatial autocorrelation test were performed using seoul floating population survey(2014) data. The result of Moran's I and Getis-Ord $Gi^*$ as used in the analysis derived spatial heterogeneity and spatial similarities of floating population patterns in a statistically significant range. Accordingly, Geographically Weighted Regression was applied to identify the relationship between land use attributes and population floating. Urbanization area, green tract of land of micro land cover data were aggregated in to $400m{\times}400m$ grid boundary of Seoul. Additionally public transportation variables such as intersection density transit accessibility, road density and pedestrian passage density were adopted as transit environmental factors. As a result, the GWR model derived more improved results than Ordinary Least Square(OLS) regression model. Furthermore, the spatial variation of applied local effect of independent variables for the floating population distributions.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이상의 연구들은 보편적으로 유동인구의 특성이 결국 도시의 환경적 측면을 통해 결정됨을 제시하고 있다. 또한 이러한 연구의 결과는 자동차 위주의 개발로 인해 열악한 보행특성을 가지는 우리나라의 상황에 보행환경 개선을 위한 중요한 정보들을 제공해줄 수 있다. 그러나 연구의 방법론적인 측면에서 볼 때 유동인구 특성과 영향요인을 분석한 기존의 연구들은 유동인구의 패턴이 가지는 공간적인 특성을 충분히 고려하지 못하고 있다.
본 연구에서는 최근 들어 활발히 연구되고 있는 유동인구 패턴과 그 영향요인에 관한 분석 시 공간회귀모형적용의 효용성에 대한 실증분석을 수행하였다. 이를 위해 서울시를 400m×400m 격자로 구획하여 각 셀별로 유동인구조사자료를 집계하였다.
이 경우 유동인구 패턴에 영향을 주는 통계적 모형의 설정 시 공간적 영향관계를 고려한 회귀모형의 적용이 필수적으로 요구된다. 이에 따라 본 연구에서는 서울시 1,000개 지점의 유동인구 조사 자료에 대해 평일오전, 평일오후, 주말로 구분하여 공간자기상관(spatial Autocorrelation)측정을 실시하고 그 결과를 근거로 하여 토지이용 및 교통환경 변수와의 연관성을 파악하기 위한 통계분석 시 공간회귀모형의 효용성을 검토해 보고자 하였다.
제안 방법
그러나 본 연구에서는 구획된 격자망의 크기와 세부적인 토지이용의 공간적 분화를 고려하기 위해 1:5,000기반의 세분류 토지피복 자료를 활용하였다. 건물자료의 경우 용도별 코드를 활용하여 주거용과 상업용 건물정보를 추출하였고 이를 통해 격자망안의 주거 및 상업용지 대비 실제 건축물의 용도를 활용한 밀도를 산출하였다. 모든 자료는 최종적으로 구획된 400m×400m의 격자망에 위치를 기반으로 집계하여 분석에 활용하였다.
첫째, 시간대별 유동인구의 공간 자기상관 유무를 파악하기 위해 전역적 자기상관 지수인Morans'I Index를 산출한다. 둘째, 동일한 변수에 대해 국지적 공간자기 상관 지수인 Getis-Ord Gi*분석을 통해 유동인구 패턴의 국지적 군집지역을 파악한다. 셋째, 적용된 환경변수들과의 OLS 및 GWR모델의 주요통계량 비교를 통해 유동인구 영향요인 분석에 있어 공간 회귀모형의 효용성을 검토한다.
최종적으로 연구에 활용된 주요 변수는 Table 2에 정리 하였다. 또한 방법론적 검토를 주요 목적으로 하는 본 연구의 특성 상 모든 변수는 전술한 유동인구 및 보행관련 문헌고찰을 통해 선정하였다. 본연구에서 수행하게 되는 분석과정은 다음과 같다.
셋째, 적용된 환경변수들과의 OLS 및 GWR모델의 주요통계량 비교를 통해 유동인구 영향요인 분석에 있어 공간 회귀모형의 효용성을 검토한다. 마지막으로 산출된 GWR모델의 국지적 회귀계수의 변동성을 파악하고 유동인구의 환경변수가 공간적으로 차별화되는 양상을 검토한다(Fig. 2). 분석에 활용된 프로그램은 변수의 공간정보 구축의 경우 ArcGIS 10.
모든 자료는 최종적으로 구획된 400m×400m의 격자망에 위치를 기반으로 집계하여 분석에 활용하였다.
Moran’s Index산출시 적용되는 공간가중치인 W는 폴리곤 경계의 인접여부, 중심점간 유클리디안 거리, 지리적으로 가까운 폴리곤의 개수 지정 등 다양한 방식이 있으며 표준적으로 제시된 방법론은 아직 없다. 본 연구에서는 일반적으로 적용되고 있는 가중치행렬을 다양하게 적용하였고, 그중 자기상관 수치가 가장 높았던 역거리 제곱 가중치 방식을 채택하였다(Choi and Suh, 2012). Table 3은 조사지점당 일평균유동인구에 대한 Moran’s I 분석결과에 대한 scatter plot이다.
이와 병행하여 험프(hump)를 포함한 교차로 41,618 개소와, Open API를 활용하여 38,204개소의 버스 정류소의 위치 및 노선 수를 공간정보화 하였다. 세분류 토지피복도의 경우 시가화 건조지역과 녹지, 하천정보를 추출하여 분석에 활용하였다. 토지피복도의 경우 일반인 보행환경 평가를 수행한 연구가 1:25,000 스케일의 중분류 자료를 활용하고 있다.
둘째, 동일한 변수에 대해 국지적 공간자기 상관 지수인 Getis-Ord Gi*분석을 통해 유동인구 패턴의 국지적 군집지역을 파악한다. 셋째, 적용된 환경변수들과의 OLS 및 GWR모델의 주요통계량 비교를 통해 유동인구 영향요인 분석에 있어 공간 회귀모형의 효용성을 검토한다. 마지막으로 산출된 GWR모델의 국지적 회귀계수의 변동성을 파악하고 유동인구의 환경변수가 공간적으로 차별화되는 양상을 검토한다(Fig.
우선적으로 서울시에서 제공하고 있는 1,000여 개의 유동인구 조사지점을 평균 도로 폭과 보행로 폭원을 포함하여 geocoding하였고, 지점당 평일 오전과 오후, 주말 평균 유동인구를 속성화 하였다. 이와 병행하여 험프(hump)를 포함한 교차로 41,618 개소와, Open API를 활용하여 38,204개소의 버스 정류소의 위치 및 노선 수를 공간정보화 하였다.
또한 국지적 공간자기상관 지수인 Getis-Ord Gi*분석결과 통계적으로 유의한 수준 안에서 유동인구의 hotspot이 도출되었다. 이를 근거로 동일한 셀 안에 집계된 토지이용과 교통 환경에 대한 8가지 변수를 활용한 OLS와 GWR모형 분석을 수행하였다. 두 모델간의 비교를 위해 적용된 주요 통계량의 검토결과 수정 결정계수, 잔차 제곱합, AICc 모두에서 GWR 모형이 OLS모형 보다 개선된 추정결과를 도출하였고 OLS 모형의 잔차에 공간 자기상관이 발생 하였다.
이를 위해 서울시를 400m×400m 격자로 구획하여 각 셀별로 유동인구조사자료를 집계하였다.
이와 병행하여 토지피복 및 교통 환경 변수의 산출을 위해 서울시를 400m×400m격자망으로 재구성 하였다(Fig 1).
우선적으로 서울시에서 제공하고 있는 1,000여 개의 유동인구 조사지점을 평균 도로 폭과 보행로 폭원을 포함하여 geocoding하였고, 지점당 평일 오전과 오후, 주말 평균 유동인구를 속성화 하였다. 이와 병행하여 험프(hump)를 포함한 교차로 41,618 개소와, Open API를 활용하여 38,204개소의 버스 정류소의 위치 및 노선 수를 공간정보화 하였다. 세분류 토지피복도의 경우 시가화 건조지역과 녹지, 하천정보를 추출하여 분석에 활용하였다.
,(2010)의 연구가 가장 대표적이다. 해당연구는 토지이용 혼합성 지수(land use mix index), 도로 연결성(street connectivity), 상점밀도(retail density), 주거지 밀도(housing density)의 표준화 점수(z-score)의 엔트로피 함수로써 산출된 형태의 보행성 지수를 제시하였다. 또한 해당 연구에서 제시된 보행성 지수는 국내의 보행성 연구에서 일반적으로 적용되는 보행성 지표 중 가장 대표적인 것이기도 하다.
대상 데이터
토지피복도의 경우 일반인 보행환경 평가를 수행한 연구가 1:25,000 스케일의 중분류 자료를 활용하고 있다. 그러나 본 연구에서는 구획된 격자망의 크기와 세부적인 토지이용의 공간적 분화를 고려하기 위해 1:5,000기반의 세분류 토지피복 자료를 활용하였다. 건물자료의 경우 용도별 코드를 활용하여 주거용과 상업용 건물정보를 추출하였고 이를 통해 격자망안의 주거 및 상업용지 대비 실제 건축물의 용도를 활용한 밀도를 산출하였다.
본 연구에서는 전역적 공간자기상관 측정을 위해 일반적으로 사용되는 Morans'I를 활용하였다.
본 연구의 공간적 범위는 현재 2014년을 기준년도로 제공하고 있는 1,000개의 유동인구 조사지점이다. 이와 병행하여 토지피복 및 교통 환경 변수의 산출을 위해 서울시를 400m×400m격자망으로 재구성 하였다(Fig 1).
, 2015). 분석에 활용된 주요 자료는 출처를 기준으로 하면 크게 서울시제공정보, 통계청 SGIS공간통계서비스, 환경부 환경공간정보 서비스 이며 모든 자료는 2014년을 기준으로 구축되었다(Table 1).
이와 병행하여 토지피복 및 교통 환경 변수의 산출을 위해 서울시를 400m×400m격자망으로 재구성 하였다(Fig 1). 총 4029의 격자가 생성되었지만 실제 조사지점이 포함된 766개의 격자가 본 연구의 실질적인 분석 대상지로 활용되었다. 격자망의 크기를 400m×400m로 구성한 이유는 보행권의 물리적 범위를 400m로 정의하는 Perry(1929)의 근린주구이론과, 휴먼스케일에 초점을 맞추고 있는 TND(Traditional Neighborhood Development) 에서도 보행 가능권역의 물리적 범위를 400m로 설정하고 있기 때문이다(Lee et al.
데이터처리
일반적으로 두 모형간 AICc값에 4이상의 차이가 발생할 시 모형의 개선이 있는 것으로 판단할 수 있다. 본 연구에서는 OLS와 GWR의 모형간 신뢰도 비교를 위해 AICc이외에 수정 결정계수와 잔차 제곱합(sum of residual square)을 사용하였다.
앞서 수행한 Moran’s I 의 경우 연구지역의 유동인구분포에 대한 공간적 유사성을 측정하는 과정이다. 추가적으로 본 연구에서는 이러한 공간자기상관이 국지적으로 어떠한 양상을 보이는지 파악하기위해 GetisOrd Gi*분석을 수행하였다. Getis-Ord Gi*는 LISA(Local Indicators of Spatial Association)의 한 기법으로 연구지역의 관측값에 대한 표준화 점수(z-score)를 활용한다.
이론/모형
추가적으로 본 연구에서는 이러한 공간자기상관이 국지적으로 어떠한 양상을 보이는지 파악하기위해 GetisOrd Gi*분석을 수행하였다. Getis-Ord Gi*는 LISA(Local Indicators of Spatial Association)의 한 기법으로 연구지역의 관측값에 대한 표준화 점수(z-score)를 활용한다.
2). 분석에 활용된 프로그램은 변수의 공간정보 구축의 경우 ArcGIS 10.1을 활용 하였고 공간 자기상관 측정은 GeoDA, OLS 및 GWR 모형구동은 GWR 4.0을 활용하였다.
성능/효과
3은 유동인구의 국지적 공간자기상관 특성을 파악하기 위해 수행된 Getis-Ord Gi*의 결과이다. 결과를 검토하면 전체 유동인구 조사지점에 고르게 유동인구의 hotspot이 분포하지만, 중구와 마포구 일대에 상대적으로 집중하는 경향을 보이고 있다. 또한 통계적으로 유의한 수준 안에서 coldspot은 도출되지 않았다.
이를 근거로 동일한 셀 안에 집계된 토지이용과 교통 환경에 대한 8가지 변수를 활용한 OLS와 GWR모형 분석을 수행하였다. 두 모델간의 비교를 위해 적용된 주요 통계량의 검토결과 수정 결정계수, 잔차 제곱합, AICc 모두에서 GWR 모형이 OLS모형 보다 개선된 추정결과를 도출하였고 OLS 모형의 잔차에 공간 자기상관이 발생 하였다. 또한 토지이용혼합도, 녹지밀도, 교차로 밀도 그리고 버스정류장 밀도가 유동인구 분포와 유의미한 영향관계에 있는 것으로 도출 되었다.
이를 기반으로 수행한 전역적 공간 자기상관 지수인 Moran’s I 결과 연구지역 전체에 유동인구에 대한 공간적 유사성을 도출 하였다. 또한 국지적 공간자기상관 지수인 Getis-Ord Gi*분석결과 통계적으로 유의한 수준 안에서 유동인구의 hotspot이 도출되었다. 이를 근거로 동일한 셀 안에 집계된 토지이용과 교통 환경에 대한 8가지 변수를 활용한 OLS와 GWR모형 분석을 수행하였다.
이는 잔차의 공간자기상관 발생을 배제하는 OLS모형의 기본가정을 위배하는 것으로써 유동인구에 대한 영향요인 분석 시 GWR모형이 OLS모형보다 효용성 있는 모델임이 증명되었다. 또한 적용된 모든 변수의 분산팽창계수(Variance Inflation Factor, VIF)는 10 이하로써 다중공선성은 없는 것으로 나타났다.
두 모델간의 비교를 위해 적용된 주요 통계량의 검토결과 수정 결정계수, 잔차 제곱합, AICc 모두에서 GWR 모형이 OLS모형 보다 개선된 추정결과를 도출하였고 OLS 모형의 잔차에 공간 자기상관이 발생 하였다. 또한 토지이용혼합도, 녹지밀도, 교차로 밀도 그리고 버스정류장 밀도가 유동인구 분포와 유의미한 영향관계에 있는 것으로 도출 되었다. 특히 GWR 모델의 국지적 회귀계수를 살펴보면 강남구와 종로구 일대가 높게 도출됨으로써 적용된 변수의 조합과 유동인구간 연관성이 높은 지역으로 나타났다.
잔차제곱합과 AICc값의 경우 일반적으로 낮은 수치를 보이는 모형이 개선된 결과를 보이는 것으로 판단할 수 있는데, 이 경우 또한 GWR모형이 OLS 모형에 비해 낮은 수치를 도출 하여 모형의 개선이 있는 것으로 판단된다. 마지막으로 두 가지 모형에 대한 잔차의 공간자기상관 측정결과를 살펴보면 OLS모형의 경우 0.22를 도출 하였다(GWR 모형, 0.05). 이는 잔차의 공간자기상관 발생을 배제하는 OLS모형의 기본가정을 위배하는 것으로써 유동인구에 대한 영향요인 분석 시 GWR모형이 OLS모형보다 효용성 있는 모델임이 증명되었다.
Table 3은 조사지점당 일평균유동인구에 대한 Moran’s I 분석결과에 대한 scatter plot이다. 분석결과 99%의 신뢰구간 안에서 유동인구의 정적 공간자기상관이 도출되었다. 수치상으로는 0.
Table 3은 적용된 8가지 독립변수와 유동인구에 대한 OLS와 GWR모형의 주요통계량을 나타낸다. 우선적으로 모형간 비교를 위해 도출된 3가지 통계량을 검토하면 수정 결정계수의 경우 GWR모형(0.14~0.414) 모형이 OLS모형(0.112)보다 전체적으로 높은 모델 부합도를 나타냈다. 특히 GWR모형의 경우 분석을 위해 구획된 766개의 지역별로 구분된 회귀방정식을 도출하였고 각각의 지역에 대한 변수의 회귀계수 또한 공간적으로 변동성을 지닌다(Fig.
05). 이는 잔차의 공간자기상관 발생을 배제하는 OLS모형의 기본가정을 위배하는 것으로써 유동인구에 대한 영향요인 분석 시 GWR모형이 OLS모형보다 효용성 있는 모델임이 증명되었다. 또한 적용된 모든 변수의 분산팽창계수(Variance Inflation Factor, VIF)는 10 이하로써 다중공선성은 없는 것으로 나타났다.
또한 통계적으로 유의한 수준 안에서 coldspot은 도출되지 않았다. 이상의 결과는 본 연구의 논리적 틀인 유동인구의 분포가 공간상에서 유사성과 이질성을 동시에 가진다는 점을 증명하는 결과이다. 따라서 유동인구 패턴에 영향을 미치는 통계적 모형의적용 시 공간회귀 모형의 적용이 필요하다.
특히 GWR 모델의 국지적 회귀계수를 살펴보면 강남구와 종로구 일대가 높게 도출됨으로써 적용된 변수의 조합과 유동인구간 연관성이 높은 지역으로 나타났다. 이상의 결과는 유동인구의 요인에 관한 통계적 모형 적용 시 공간 회귀모형의 적용이 효율적이라는 것을 증명한다. 그러나 방법론적인 부분에 주목한 본 연구의 특성상 유동인구와 그 영향요인에 관한 본질적인 부분은 상대적으로 심도있게 다루지 못한 것이 본 연구의 한계점이다.
4). 잔차제곱합과 AICc값의 경우 일반적으로 낮은 수치를 보이는 모형이 개선된 결과를 보이는 것으로 판단할 수 있는데, 이 경우 또한 GWR모형이 OLS 모형에 비해 낮은 수치를 도출 하여 모형의 개선이 있는 것으로 판단된다. 마지막으로 두 가지 모형에 대한 잔차의 공간자기상관 측정결과를 살펴보면 OLS모형의 경우 0.
또한 토지이용혼합도, 녹지밀도, 교차로 밀도 그리고 버스정류장 밀도가 유동인구 분포와 유의미한 영향관계에 있는 것으로 도출 되었다. 특히 GWR 모델의 국지적 회귀계수를 살펴보면 강남구와 종로구 일대가 높게 도출됨으로써 적용된 변수의 조합과 유동인구간 연관성이 높은 지역으로 나타났다. 이상의 결과는 유동인구의 요인에 관한 통계적 모형 적용 시 공간 회귀모형의 적용이 효율적이라는 것을 증명한다.
112)보다 전체적으로 높은 모델 부합도를 나타냈다. 특히 GWR모형의 경우 분석을 위해 구획된 766개의 지역별로 구분된 회귀방정식을 도출하였고 각각의 지역에 대한 변수의 회귀계수 또한 공간적으로 변동성을 지닌다(Fig. 4). 잔차제곱합과 AICc값의 경우 일반적으로 낮은 수치를 보이는 모형이 개선된 결과를 보이는 것으로 판단할 수 있는데, 이 경우 또한 GWR모형이 OLS 모형에 비해 낮은 수치를 도출 하여 모형의 개선이 있는 것으로 판단된다.
후속연구
이상의 결과는 유동인구의 요인에 관한 통계적 모형 적용 시 공간 회귀모형의 적용이 효율적이라는 것을 증명한다. 그러나 방법론적인 부분에 주목한 본 연구의 특성상 유동인구와 그 영향요인에 관한 본질적인 부분은 상대적으로 심도있게 다루지 못한 것이 본 연구의 한계점이다.
질의응답
핵심어
질문
논문에서 추출한 답변
유동인구 분포의 공간 패턴의 영향요인 분석을 위해 사용한 지리가중회귀모형의 설명변수에는 어떤 것들이 있는가?
이를 근거로 유동인구분포와 토지이용 특성과의 관계를 파악하기 위한 통계적 모형으로 공간회귀모형인 지리가중회귀모형(GWR : Geographically Weighted Regression, 이하 GWR)을 채택하였다. 모형의 설명변수로써 서울시 전체에 대한 400m*400m 격자망기반에 토지이용혼합도, 주거 밀도, 상점밀도, 녹지 밀도와, 추가적으로 각 격자별 버스노선밀도, 교차로 밀도, 교통 결절점 접근성, 평균 도로폭, 평균 보도넓이를 산출 및 집계 하였다. 동일한 방식으로 격자망에 집계된 유동인구 정보와 토지이용 및 교통 특성과의 GWR모형 결과를 Ordinary Least Square(OLS) 분석 결과와 비교한 결과 GWR모형의 주요 통계량 수치에서 개선된 결과를 도출하였다.
미시적인 자료가 유용하게 쓰일 수 있는 분야는 어디인가?
최근 들어 다양한 사회적 정보를 포함하는 미시적인 자료의 생산이 다양한 주체에 의해 활발하게 생산되고 있다. 이러한 자료의 활용은 우선적으로 보다 작은 공간상에서 벌어지는 현상에 대한 인과관계를 밝히는 데에 유용하게 쓰일 수 있다. 이러한 과정을 통해 그동안 누락되었거나 자료의 부재로 인해 시도조차 할 수 없었던 새로운 2차 정보의 생산도 가능하다.
미시적인 자료를 보다 작은 공간상에서 벌어지는 현상에 대한 인과관계를 밝히는 데 사용하는 경우 얻을 수 있는 이점은 무엇이 있는가?
이러한 자료의 활용은 우선적으로 보다 작은 공간상에서 벌어지는 현상에 대한 인과관계를 밝히는 데에 유용하게 쓰일 수 있다. 이러한 과정을 통해 그동안 누락되었거나 자료의 부재로 인해 시도조차 할 수 없었던 새로운 2차 정보의 생산도 가능하다. 또한 연관이 없을 것 같았던 이종 학제간의 융합연구를 위한 좋은 동기를 제공하기도 한다. 특히 도시환경과 도시민의 건강 관련 삶의 질에 대한 연관성을 탐구하는 분야에서 유동인구자료는 검증자료로써 상당히 중요하게 활용되고 있다.
참고문헌 (23)
Choi, C. H., Woo, Y. S. and Jung, S. G., 2015, An Analysis of Locational Characteristics and User Behavior of Neighborhood Parks in Central Business District, Journal of the Korean Association of Geographic Information Studies, Vol. 18, No. 1, pp. 25-47.
Cho, D. G., 2009, GIS and Geographically Weighted Regression in the Survey Research of Small Areas, Survey Research, Vol. 10, No. 3, pp. 1-19.
Choi, D. J. and Suh, Y. C., 2012, Geographically Weighted Regression on the Environmental-Ecological Factors of Human Longevity, Journal of Korean Society for Geospatial Information System, Vol 20, No. 3, pp. 57-63.
Choi, D. J. and Suh, Y. C., 2014, An Empirical Study on the Correlation between TOD Planning Elements and Subway Ridership in Busan Metropolitan City, Journal of The Korean Society of Survey, Geodesy, Photogrammetry, and Cartography, Vol. 17. No. 3, pp. 147-159.
Choi, S. T., Lee, H. S., Choo, S. H. and Kim, S. J., 2015, Journal of Korean Society of Transportation, Vol. 33, No. 1, pp. 50-60.
Coffee, N. T., Howard, N., Paquet, C., Hugo, G. and Daniel, M., 2013, Is walkability associated with a lower cardiometabolic risk?, Health & place, Vol. 21, pp. 163-169.
Dunton, G. F., Almanza, E., Jerrett, M., Wolch, J. and Pentz, M. A., 2014, Neighborhood park use by children: use of accelerometry and global positioning systems. American journal of preventive medicine, Vol. 46, No. 2, pp. 136-142.
Frank, L. D., Sallis, J. F., Saelens, B. E., Leary, L., Cain, K., Conway, T. L. and Hess, P. M., 2010, The development of a walkability index: application to the Neighborhood Quality of Life Study. British journal of sports medicine, Vol. 44, No. 13, pp. 924-933.
Fotheringham, S., Charlton, M. and Brunsdon, C., 1998, Geographically weighted regression: a natural evolution of the expansion method for spatial data analysis, Environment and planning A, Vol. 30, No. 11, pp. 1905-1927.
Jeong, Y. Y. and Moon, T. H., 2014, Analysis of Seoul Urban Spatial Structure Using Pedestrian Flow Data-Comparative Study with '2030 Seoul Plan'-, Journal of The Korean Regional Development Association, Vol. 26, No. 3, pp. 139-158.
Kang, C. D., 2013, Measuring Walkability Index and Its Policy Implications in Seoul, Korea, Seoul Studies, Vol. 14, No. 4, pp. 1-25.
Kim, Y. J., Kang, Y. W. and Kim, J. G., 2014, Preference Analysis for the Pedestrian Space in Large-scale Residential Complex by Multi Dimensional Scaling-Focused on the Haeundae New town in Busan-, Journal of the Korean Society of Civil Engineers, Vol. 34, No. 1, pp. 333-340.
Kim, K. H., Shon, D. W. and Lee, D. H., 2014, Journal of The Urban Design Insitute of Korea, Vol. 15, No. 5, pp. 161-171.
Lee, H. S., Kim, J. W. and Choo, S. H., 2014, Analyzing Pedestrian Characteristics Using the Seoul Floating Population Survey: Focusing on 5 Urban Communities in Seoul, Journal of Korean Society of Transportation, Vol. 32, No. 4, pp. 315-326.
Lee, J. W., Kim, H. Y. and Jun, C. M., 2015, Journal of The Urban Design Insitute of Korea, Vol. 16, No. 2, pp. 123-140.
Lee, K. M. and Jung, C. M., 2014, The Effect of Time Period Pedestrian Volume on Store Location -Focused on the Suwon's Retail Stores and Restaurants-, Journal of the Architectural Institute of Korea Planning & Design, Vol. 30, No. 8, pp. 48-55.
Li, G. and Weng, Q., 2007, Measuring the quality of life in city of Indianapolis by integration of remote sensing and census data, International Journal of Remote Sensing, Vol. 28, No. 2, pp. 249-267.
Lim, D. H., Park, C. H. and Koo, J. H., 2014, A Study on Relationship Between Physical Components of Public Open Space Owned by Private Sector and Behavior Types of User-Focused on the Teheran-Road District Unit Plan Area in the Gangnam-Gu, Seoul-, Journal of The Urban Design Insitute of Korea, Vol. 15, No. 4, pp. 79-90.
Lwin, K. K. and Murayama, Y., 2011, Modelling of urban green space walkability: Eco-friendly walk score calculator. Computers, Environment and Urban Systems, Vol. 35, No. 5, pp. 408-420.
Oyeyemi, A. L., Sallis, J. F., Deforche, B., Oyeyemi, A. Y., De Bourdeaudhuij, I. and Van Dyck, D., 2013, Evaluation of the neighborhood environment walkability scale in Nigeria, International Journal of Health Geographic, Vol. 12, No. 16, pp. 1-16.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.