[국내논문]공간적 자기상관성의 정도에 따른 MAUP에서의 스케일 효과 연구 - LBSNS 데이터를 중심으로 - A Study on Scale Effects of the MAUP According to the Degree of Spatial Autocorrelation - Focused on LBSNS Data -원문보기
포인트 속성의 위치 기반 소셜 네트워크 서비스(Location-Based Social Network Services, LBSNS) 데이터를 멀티스 케일의 타일맵상에 효과적으로 시각화하기 위해서는 격자 기반으로 군집화하여 표현해야 할 필요성이 있다. 이때 격자의 크기 및 개수를 결정해야 하는데, 이에 대한 기준은 정해진 것이 없으며 데이터의 종류와 분석 목적에 따라 달라지므로 연구자의 주관이 개입될 수밖에 없다. 이때 연구 결과에 영향을 끼치는 공간단위 임의성의 문제(Modifiable Areal Unit Problem, MAUP)가 발생한다. 본 연구에서는 LBSNS 중 지오태깅(geotagging)된 트위터(Twitter) 데이터를 대상으로 하여 이러한 MAUP의 영향을 스케일 효과(scale effect)의 측면에서 탐색해 보고자 하였다. 이를 위해 공간오차모델(spatial error model)을 이용하여 데이터의 공간적 자기상관성(spatial autocorrelation)의 정도를 조절하였으며, 이에 대해 격자의 크기를 달리함에 따른 공간적 자기상관성의 변화를 Moran's I를 통해 분석하였다. 실험 결과, 원 데이터에는 양의 공간적 자기상관성이 존재하는 것을 확인하였으며, 이러한 경우에는 공간오차모델의 공간자기회귀계수(spatial autoregressive coefficient)의 값이 증가할수록 공간적 자기상관성이 감소하는 것을 알 수 있었다. 이러한 특성을 이용하여 트위터 데이터의 공간적 자기상관성의 강도를 5단계로 조절하였으며, 각 단계에 대하여 격자의 크기를 9단계로 나누어 각각에서의 Moran's I를 계산하였다. 그 결과, 합역 수준이 높아질수록 공간적 자기상관성이 증가하다가 격자의 크기가 600m에서 1,000m 사이일 때 감소하는 것을 알 수 있었으며, 공간적 자기상관성이 강할수록 MAUP에서의 스케일 효과는 감소하는 경향이 있는 것을 확인하였다.
포인트 속성의 위치 기반 소셜 네트워크 서비스(Location-Based Social Network Services, LBSNS) 데이터를 멀티스 케일의 타일맵상에 효과적으로 시각화하기 위해서는 격자 기반으로 군집화하여 표현해야 할 필요성이 있다. 이때 격자의 크기 및 개수를 결정해야 하는데, 이에 대한 기준은 정해진 것이 없으며 데이터의 종류와 분석 목적에 따라 달라지므로 연구자의 주관이 개입될 수밖에 없다. 이때 연구 결과에 영향을 끼치는 공간단위 임의성의 문제(Modifiable Areal Unit Problem, MAUP)가 발생한다. 본 연구에서는 LBSNS 중 지오태깅(geotagging)된 트위터(Twitter) 데이터를 대상으로 하여 이러한 MAUP의 영향을 스케일 효과(scale effect)의 측면에서 탐색해 보고자 하였다. 이를 위해 공간오차모델(spatial error model)을 이용하여 데이터의 공간적 자기상관성(spatial autocorrelation)의 정도를 조절하였으며, 이에 대해 격자의 크기를 달리함에 따른 공간적 자기상관성의 변화를 Moran's I를 통해 분석하였다. 실험 결과, 원 데이터에는 양의 공간적 자기상관성이 존재하는 것을 확인하였으며, 이러한 경우에는 공간오차모델의 공간자기회귀계수(spatial autoregressive coefficient)의 값이 증가할수록 공간적 자기상관성이 감소하는 것을 알 수 있었다. 이러한 특성을 이용하여 트위터 데이터의 공간적 자기상관성의 강도를 5단계로 조절하였으며, 각 단계에 대하여 격자의 크기를 9단계로 나누어 각각에서의 Moran's I를 계산하였다. 그 결과, 합역 수준이 높아질수록 공간적 자기상관성이 증가하다가 격자의 크기가 600m에서 1,000m 사이일 때 감소하는 것을 알 수 있었으며, 공간적 자기상관성이 강할수록 MAUP에서의 스케일 효과는 감소하는 경향이 있는 것을 확인하였다.
In order to visualize point based Location-Based Social Network Services(LBSNS) data on multi-scaled tile map effectively, it is necessary to apply tile-based clustering method. Then determinating reasonable numbers and size of tiles is required. However, there is no such criteria and the numbers an...
In order to visualize point based Location-Based Social Network Services(LBSNS) data on multi-scaled tile map effectively, it is necessary to apply tile-based clustering method. Then determinating reasonable numbers and size of tiles is required. However, there is no such criteria and the numbers and size of tiles are modified based on data type and the purpose of analysis. In other words, researchers' subjectivity is always involved in this type of study. This is when Modifiable Areal Unit Problem(MAUP) occurs, that affects the results of analysis. Among LBSNS, geotagged Twitter data were chosen to find the influence of MAUP in scale effects perspective. For this purpose, the degree of spatial autocorrelation using spatial error model was altered, and change of distributions was analyzed using Morna's I. As a result, positive spatial autocorrelation showed in the original data and the spatial autocorrelation was decreased as the value of spatial autoregressive coefficient was increasing. Therefore, the intensity of the spatial autocorrelation of Twitter data was adjusted to five levels, and for each level, nine different size of grid was created. For each level and different grid sizes, Moran's I was calculated. It was found that the spatial autocorrelation was increased when the aggregation level was being increased and decreased in a certainpoint. Another tendency was found that the scale effect of MAUP was decreased when the spatial autocorrelation was high.
In order to visualize point based Location-Based Social Network Services(LBSNS) data on multi-scaled tile map effectively, it is necessary to apply tile-based clustering method. Then determinating reasonable numbers and size of tiles is required. However, there is no such criteria and the numbers and size of tiles are modified based on data type and the purpose of analysis. In other words, researchers' subjectivity is always involved in this type of study. This is when Modifiable Areal Unit Problem(MAUP) occurs, that affects the results of analysis. Among LBSNS, geotagged Twitter data were chosen to find the influence of MAUP in scale effects perspective. For this purpose, the degree of spatial autocorrelation using spatial error model was altered, and change of distributions was analyzed using Morna's I. As a result, positive spatial autocorrelation showed in the original data and the spatial autocorrelation was decreased as the value of spatial autoregressive coefficient was increasing. Therefore, the intensity of the spatial autocorrelation of Twitter data was adjusted to five levels, and for each level, nine different size of grid was created. For each level and different grid sizes, Moran's I was calculated. It was found that the spatial autocorrelation was increased when the aggregation level was being increased and decreased in a certainpoint. Another tendency was found that the scale effect of MAUP was decreased when the spatial autocorrelation was high.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
또한 MAUP는 스케일 효과와 구획 효과로 구분되어 나타난다고 보고, 같은 변수에 대해 각각 다른 기능지역을 설정하여 결과를 비교하였다. 결과적으로는 통계치가 합역양식에 따라 변화하는 것을 지적하기 보다는 다양한 통계치 중에서 유의미한 것은 무엇이며, 그 통계치를 도출한 공간 단위의 합역양식이 무엇인지를 평가할 수 있는 기준을 제시하고자 하였다.
MAUP와 관련된 연구는 1980년대부터 꾸준히 진행되어 왔지만 그에 반해 LBSNS라는 것은 2000년대 초반, 스마트폰의 등장 이후에 생겨난 것이기 때문에 두 분야의 접점이 없었던 것이 그 이유이다. 따라서 본 연구는 새로운 형태의 데이터라고 할 수 있는 LBSNS 데이터를 대상으로 공간적 자기상관성에 따른 MAUP의 효과를 탐색하는데 의의를 갖는다.
본 연구는 포인트 속성을 지니는 LBSNS 데이터를 멀티스케일의 지도상에 군집화하여 표현하고자 할 때 발생할 수 있는 MAUP를 최소화 할 수 있는 방안을 알아보고자 하는 목적을 가지고 있다. 이에 따라 LBSNS 중 트위터 포인트 데이터에 대하여 MAUP에서의 스케일 효과를 공간적 자기상관성의 측면에서 알아보았다.
이때 분석 결과에 영향을 미칠 수 있는 ‘공간단위 임의성의 문제(Modifiable Areal Unit Problem, 이하 MAUP)’가 발생한다. 본 연구에서는 이러한 문제를 최소화하기 위한 과정으로써 LBSNS 중 트위터 포인트 데이터에 대하여 MAUP의 영향을 스케일 효과(scale effect)의 측면에서 알아보고자 하였다.
즉 식 (1)에서 본래 변수인 벡터 ∊에 공간적 자기상관성이 존재하는 경우, ρ의 값이 증가할수록 공간적 자기상관성은 감소하게 된다. 본 연구의 목적은 공간적 자기상관성의 정도에 따라 구성된 분포에 대하여 각각에서 격자의 크기 변화가 공간적 자기상관성에 미치는 영향을 파악하기 위한 것이므로 원 데이터의 공간적 자기상관성을 제거하기보다는 공간적 자기상관성의 정도를 조절하는 것에 의미를 두었다.
제안 방법
공간결합연산(spatial join)을 통해 격자 데이터에 대하여 격자 크기별로 각각 트위터 포인트 데이터를 결합하였다. 그리고 앞에서 언급한 카운트 데이터의 표준화 방식을 이용하여 격자의 크기별로 변수를 표준화하였다.
공간결합연산(spatial join)을 통해 격자 데이터에 대하여 격자 크기별로 각각 트위터 포인트 데이터를 결합하였다. 그리고 앞에서 언급한 카운트 데이터의 표준화 방식을 이용하여 격자의 크기별로 변수를 표준화하였다. 그 후에 Moran’s I를 이용하여 공간결합된 본래 데이터의 공간적 자기상관성을 계산하였다.
본 연구는 특정 관심 집단이 전체 공간에서 차지하는 공간적 특화도를 파악하는 것이라기 보다는 공간단위 간의 비교를 통해 LBSNS 데이터가 보다 활발한 공간 단위, 즉 집중도를 알고자 하는 것에 가깝기 때문에 열비중 비율을 사용하였다. 따라서 모든 공간 단위에 대하여 해당 공간 단위 내에 포함된 트위터 데이터의 개수를 전체 트위터 데이터의 개수(246,984)로 나누었으며, 그 후 이에 대해 표준점수(z-score)를 이용한 표준화를 실시하였다.
예컨대, Lee(1999)는 미국의 기능지역 설정 방식에 초점을 두고, 공간 단위를 합역하는 과정에서 MAUP가 발생한다고 보았다. 또한 MAUP는 스케일 효과와 구획 효과로 구분되어 나타난다고 보고, 같은 변수에 대해 각각 다른 기능지역을 설정하여 결과를 비교하였다. 결과적으로는 통계치가 합역양식에 따라 변화하는 것을 지적하기 보다는 다양한 통계치 중에서 유의미한 것은 무엇이며, 그 통계치를 도출한 공간 단위의 합역양식이 무엇인지를 평가할 수 있는 기준을 제시하고자 하였다.
본 연구는 특정 관심 집단이 전체 공간에서 차지하는 공간적 특화도를 파악하는 것이라기 보다는 공간단위 간의 비교를 통해 LBSNS 데이터가 보다 활발한 공간 단위, 즉 집중도를 알고자 하는 것에 가깝기 때문에 열비중 비율을 사용하였다. 따라서 모든 공간 단위에 대하여 해당 공간 단위 내에 포함된 트위터 데이터의 개수를 전체 트위터 데이터의 개수(246,984)로 나누었으며, 그 후 이에 대해 표준점수(z-score)를 이용한 표준화를 실시하였다.
이를 위해 공간오차모델을 이용하여 원 데이터의 공간적 자기상관성의 정도를 조절하였으며, Moran’s I를 이용하여 격자의 크기를 달리함에 따른 공간적 자기상관성의 변화를 파악하였다.
이를 이용하여 ρ값을 0.2에서부터 0.6까지 차례로 적용함으로써 트위터 데이터에 대해 공간적 자기상관성의 강도를 조절하였고, 각각에 대하여 격자의 크기별로 Moran’s I의 값의 변화를 살펴보았다.
본 연구는 포인트 속성을 지니는 LBSNS 데이터를 멀티스케일의 지도상에 군집화하여 표현하고자 할 때 발생할 수 있는 MAUP를 최소화 할 수 있는 방안을 알아보고자 하는 목적을 가지고 있다. 이에 따라 LBSNS 중 트위터 포인트 데이터에 대하여 MAUP에서의 스케일 효과를 공간적 자기상관성의 측면에서 알아보았다. 이를 위해 공간오차모델을 이용하여 원 데이터의 공간적 자기상관성의 정도를 조절하였으며, Moran’s I를 이용하여 격자의 크기를 달리함에 따른 공간적 자기상관성의 변화를 파악하였다.
대상 데이터
실험에 사용한 LBSNS 데이터는 246,984개의 지오 태깅된 트위터 포인트 데이터이며, 이에 대한 분포는 Fig.
이때 공간인접관계(spatial contiguity relationship)는 상하좌우로만 이동하는 룩(rook)의 움직임 방식을 이용하였으며, 공간가중행렬은 경계를 접하고 있는 공간 단위 쌍에 대해서는 1의 값을, 그렇지 않은 경우에는 0의 값을 부여하는 단순이항가중(simple binary weighting) 방식을 사용하였고, 각 값은 행표준화(row-standardization)되었다. 실험은 ArcMap 10.3의 ArcToolbox, GeoDa, 그리고 MATLAB R2013a를 이용하여 진행되었다.
실험을 위하여 서울시를 공간적 범위로 하는 격자 데이터를 200m부터 1,000m까지 격자의 크기(한 변의 길이, l)별로 생성하였다. 격자의 크기가 커질수록 합역의 수준이 높아지므로 전체 격자의 개수는 적어지게 된다.
데이터처리
그 후에 Moran’s I를 이용하여 공간결합된 본래 데이터의 공간적 자기상관성을 계산하였다.
위의 결과에 대하여 공간적 자기상관성에 따른 MAUP에서의 스케일 효과를 알아보기 위하여 각 ρ값별로 격자의 크기에 의한 Moran’s I값에 대한 편차의 평균을 계산해 보았다.
이론/모형
그 후에 Moran’s I를 이용하여 공간결합된 본래 데이터의 공간적 자기상관성을 계산하였다. 이때 공간인접관계(spatial contiguity relationship)는 상하좌우로만 이동하는 룩(rook)의 움직임 방식을 이용하였으며, 공간가중행렬은 경계를 접하고 있는 공간 단위 쌍에 대해서는 1의 값을, 그렇지 않은 경우에는 0의 값을 부여하는 단순이항가중(simple binary weighting) 방식을 사용하였고, 각 값은 행표준화(row-standardization)되었다. 실험은 ArcMap 10.
이를 위해 공간오차모델(spatial error model)을 이용하여 트위터 포인트 데이터에 대해 공간적 자기상관성(spatial autocorrelation)의 정도에 따른 분포를 생성하고, 각각에 대하여 격자의 크기를 달리함에 따른 공간적 자기상관성의 변화를 Moran’s I를 통해 알아보고자 하였다.
성능/효과
ρ값과 l값에 따른 Moran’s I의 전체적인 경향성을 보면, 합역의 수준이 높아질수록, 즉 격자의 개수는 줄어들고 크기는 증가할수록 Moran’s I의 값이 커지다가 l의 값이 600m에서 1,000m 사이에서 감소하는 것을 알 수 있다.
6까지 차례로 적용함으로써 트위터 데이터에 대해 공간적 자기상관성의 강도를 조절하였고, 각각에 대하여 격자의 크기별로 Moran’s I의 값의 변화를 살펴보았다. 그 결과, 격자의 합역 수준이 높아질수록, 즉 격자의 크기가 증가할수록 공간적 자기상관성이 함께 증가하다가 l값이 600m에서 1,000m 사이에서 감소하는 전체적인 경향성을 확인할 수 있었다. 또한 공간적 자기상관성이 강할수록 MAUP에서의 스케일 효과는 감소하는 경향이 있는 것으로 확인되었다.
그 결과, 공간적 자기상관성이 강할수록, 즉 ρ의 값이 작을수록 MAUP에서의 스케일 효과는 감소하는 경향이 있는 것을 확인할 수 있었다(Table 4).
또한 Lee and Kim(2013)은 개별공시지가와 주택실거래가 사이의 공간적 불일치에 주목하였으며, 이러한 차이에 대한 공간적 변이를 시각적으로 제시하였다. 또한 개별공시 지가나 개별주택가격 산정에 고려될 수 있는 지역의 특성 변수들의 MAUP 효과를 실증적으로 보여주었다.
그 결과, 격자의 합역 수준이 높아질수록, 즉 격자의 크기가 증가할수록 공간적 자기상관성이 함께 증가하다가 l값이 600m에서 1,000m 사이에서 감소하는 전체적인 경향성을 확인할 수 있었다. 또한 공간적 자기상관성이 강할수록 MAUP에서의 스케일 효과는 감소하는 경향이 있는 것으로 확인되었다. 그러나 이러한 결과를 모든 데이터에 대하여 일반화하기는 어려우며, 데이터의 종류와 특성에 따라 달라질 수 있음을 밝혀둔다.
LBSNS 데이터를 격자 기반으로 클러스터링하여 표현하고자 할 때 MAUP의 효과를 최소화할 수 있는 격자의 크기를 결정하는 데 이와 같은 방법론이 하나의 척도가 될 수 있을 것으로 보인다. 또한 본 연구를 통해 통계적 결과는 공간 단위의 선택에 의존적이라는 것을 알 수 있었다.
실험 결과, Table 2와 Fig. 2를 보면, 본래 데이터에 99%의 유의확률로 공간적 자기상관성이 존재하며 이는 격자의 크기가 증가할수록 함께 증가하는 경향을 보이는 것을 알 수 있다. 이를 좀 더 자세히 살펴보면, 격자의 크기가 증가할수록 Moran’s I의 값이 계속적으로 증가하다가 800m에서 감소하였으며, 1,000m에서 다시 I의 값이 증가하는 것을 알 수 있다.
실험 결과, 원 데이터에 공간적 자기상관성이 강하게 존재할 때에는 공간오차모델의 공간자기회귀계수(ρ)값이 증가함에 따라 공간적 자기상관성이 감소하는 결과를 보이는 것을 확인하였다.
보다 실증적인 연구로써 Oh(2002)는 시공간적 분석에서 MAUP를 보완할 수 있는 방법에 대해 연구하였다. 이를 위해 최소 크기의 격자 단위로 지가 변동에 대한 시공간 데이터베이스와 지도를 구현하였으며, 분석 기준 시점에서의 속성 데이터와 공간 데이터를 일치시킴으로써 MAUP를 보완할 수 있음을 밝혔다. 또한 Lee and Kim(2013)은 개별공시지가와 주택실거래가 사이의 공간적 불일치에 주목하였으며, 이러한 차이에 대한 공간적 변이를 시각적으로 제시하였다.
이를 좀 더 자세히 살펴보면, 격자의 크기가 증가할수록 Moran’s I의 값이 계속적으로 증가하다가 800m에서 감소하였으며, 1,000m에서 다시 I의 값이 증가하는 것을 알 수 있다.
후속연구
그럼에도 불구하고 MAUP는 분석 결과의 신뢰도를 치명적으로 감소시킬 수 있는 중요한 문제이기 때문에 연구자들의 지속적인 관심이 필요한 분야이다. 따라서 공간 단위의 합역으로 인한 균질효과와 공간적 자기상관성을 감소시킬 수 있는 합역양식을 적용함으로써 MAUP에 대한 영향력을 최소화하는 방법론에 대한 연구가 계속적으로 진행되어야 할 것이다.
비록 공간 데이터의 경우, 음의 공간적 자기상관성이 존재하는 경우가 드물기는 하지만 서로 다른 공간적 자기상관성이 존재할 때 MAUP의 효과가 어떻게 변화하는지를 살펴보는 것은 의미가 있을 것이다. 또한 MAUP에서의 스케일 효과뿐 아니라 구획 효과에 대한 연구도 함께 이루어져야 할 것이다. 뿐만 아니라 LBSNS 데이터가 MAUP에서 가지는 특성을 알기 위해서는 다른 인문사회적 데이터와의 비교분석도 이루어져야 할 것으로 생각된다.
또한 본 연구에서는 양의 공간적 자기상관성이 존재하는 경우에 대해서만 그 강도를 조정하여 실험을 진행하였는데, 추후에는 공간적 자기상관성이 존재하지 않는 경우와, 음의 공간적 자기상관성이 존재하는 경우에 대한 연구도 추가적으로 진행되어야할 것으로 보인다. 비록 공간 데이터의 경우, 음의 공간적 자기상관성이 존재하는 경우가 드물기는 하지만 서로 다른 공간적 자기상관성이 존재할 때 MAUP의 효과가 어떻게 변화하는지를 살펴보는 것은 의미가 있을 것이다.
또한 MAUP에서의 스케일 효과뿐 아니라 구획 효과에 대한 연구도 함께 이루어져야 할 것이다. 뿐만 아니라 LBSNS 데이터가 MAUP에서 가지는 특성을 알기 위해서는 다른 인문사회적 데이터와의 비교분석도 이루어져야 할 것으로 생각된다.
질의응답
핵심어
질문
논문에서 추출한 답변
격자(grid) 기반의 군집화 기법이란 무엇인가?
LBSNS에서 추출한 포인트 데이터를 타일맵 형태로 제공되는 멀티스케일의 지도상에 나타내고자 할 때, 정보의 가독성을 위하여 군집화(clustering)하여 표현해야 한다. 여러 군집화 기법 중 격자(grid) 기반의 군집화 기법은 대상 공간을 일정한 격자 구조로 구성하고, 모든 군집화 과정을 이 격자 구조 내에서 실행하는 방식으로, 데이터 객체 수에 대해 독립적이고 미리 계산된 격자의 수에 의존하기 때문에 계산량이 적고 처리 속도가 빠르다는 장점이 있다. LBSNS 데이터에 대하여 격자 기반 군집화 작업을 수행하기 위해서는 지도의 각줌 레벨(zoom-level)별로 적절한 격자의 크기 및 개수를 결정해야 한다.
격자(grid) 기반의 군집화 기법의 장점은?
LBSNS에서 추출한 포인트 데이터를 타일맵 형태로 제공되는 멀티스케일의 지도상에 나타내고자 할 때, 정보의 가독성을 위하여 군집화(clustering)하여 표현해야 한다. 여러 군집화 기법 중 격자(grid) 기반의 군집화 기법은 대상 공간을 일정한 격자 구조로 구성하고, 모든 군집화 과정을 이 격자 구조 내에서 실행하는 방식으로, 데이터 객체 수에 대해 독립적이고 미리 계산된 격자의 수에 의존하기 때문에 계산량이 적고 처리 속도가 빠르다는 장점이 있다. LBSNS 데이터에 대하여 격자 기반 군집화 작업을 수행하기 위해서는 지도의 각줌 레벨(zoom-level)별로 적절한 격자의 크기 및 개수를 결정해야 한다.
격자 기반 군집화 작업시 격자 크기에 대한 기준이 없어 연구자의 주관 개입으로 인해 발생하는 문제점은?
LBSNS 데이터에 대하여 격자 기반 군집화 작업을 수행하기 위해서는 지도의 각줌 레벨(zoom-level)별로 적절한 격자의 크기 및 개수를 결정해야 한다. 그러나 이러한 격자 크기에 대한 기준은 정해진 것이 없고 데이터의 성격과 활용 목적에 따라 달라지므로 연구자의 주관이 개입될 수밖에 없다. 이때 분석 결과에 영향을 미칠 수 있는 ‘공간단위 임의성의 문제(Modifiable Areal Unit Problem, 이하 MAUP)’가 발생한다. 본 연구에서는 이러한 문제를 최소화하기 위한 과정으로써 LBSNS 중 트위터 포인트 데이터에 대하여 MAUP의 영향을 스케일 효과(scale effect)의 측면에서 알아보고자 하였다.
참고문헌 (20)
Anselin, L., 1995, Local indicators of spatial association-LISA, Geographical Analysis, Vol. 27, No. 2, pp. 93-115.
Can, A., 1996, Weight matrices and spatial autocorrelation statistics using a topological vector data model, International Journal of Geographical Information Systems, Vol. 10, No. 8, pp. 1009-1017.
Cheong, J. S. and Park, J. H., 2015, Test of the scale effect of MAUP in crime study: analyses of sex crime using nation-wide data of eup-myon-dong and si-gun-gu, The Journal of the Korea Contents Association, Vol. 15, No. 10, pp. 150-159.
Cho, D. H., 2013, Trends and methodological issues in spatial cluster analysis for count data. Journal of the Korean Geographical Society, Vol. 48, No. 5, pp. 768-785.
Doreian, P., 1981, Estimating linear models with spatially distributed data, Sociological Methodology 12, pp. 359-388.
Getis, A., 2010, Spatial autocorrelation, In Handbook of applied spatial analysis, Springer Berlin Heidelberg, pp. 255-278.
He, Z., Zhao, W. and Chang, X., 2007, The modifiable areal unit problem of spatial heterogeneity of plant community in the transitional zone between oasis and desert using semivariance analysis, Landscape Ecology, Vol. 22, No. 1, pp. 95-104.
Jelinski, D. E. and Wu, J., 1996, The modifiable areal unit problem and implications for landscape ecology, Landscape Ecology, Vol. 11, No. 3, pp. 129-140.
Jung, D. Y. and Son, Y. G., 2009, A analysis on the spatial features of the neighborhood trade area using positive spatial autocorrelation method, Journal of the Korean Society for Geospatial Information System, Vol. 17, No. 1, pp.141-147.
Kwan, M. P. and Weber, J., 2008, Scale and accessibility: Implications for the analysis of land use-travel interaction, Applied Geography, Vol. 28, No. 2, pp. 110-123.
Lee, S. I., 1999, The delineation of function regions and Modifiable Areal Unit Problem(MAUP), Journal of Geographic and Environmental Education, Vol. 7, No. 2, pp. 757-783.
Lee, S. I., 2001, Developing a bivariate spatial association measure: an integration of Pearson's r and Moran's I, Journal of Geographical Systems, Vol. 3, No. 4, pp. 369-385.
Lee, S. I., 2007, Spatial statistical approach to residential differentiation (I): Developing a spatial separation measure, Journal of the Korean Geographical Society, Vol. 42, No. 4, pp. 616-631.
Lee, G. H. and Kim. K. Y., 2013, A study on the spatial mismatch between the assessed land value and housing market price: Exploring the scale effect of the MAUP, Journal of the Korean Geographical Society, Vol. 48, No. 6, pp. 879-896.
Moran, P. A., 1950, Notes on continuous stochastic phenomena, Biometrika, Vol. 37, No. 1/2, pp. 17-23.
Oh, C. W., 2002, Spatio-temporal analysis of land price variation considering modifiable area unit problem, The Journal of Geographic Information System Association of Korea, Vol 10. No. 2, pp. 185-199.
Openshaw, S., 1984, The modifiable areal unit problem, Geo Abstracts University of East Anglia.
Swift, A., Liu, L. and Uber, J., 2008, Reducing MAUP bias of correlation statistics between water quality and GI illness, Computers, Environment and Urban Systems, Vol. 32, No. 2, pp. 134-148.
Viegas, J. M. and Martinez, L. M., 2007, Effects of the modifiable areal unit problem on the delineation of traffic analysis zones, Environment and Planning, B: Planning and Design, advance online publication, pp. 1-20.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.