[논문]Weight of Evidence를 활용한 성폭력 범죄 위험의 확률적 예측

김보은; 김영훈

doi:10.11108/kagis.2019.22.4.072

Weight of Evidence를 활용한 성폭력 범죄 위험의 확률적 예측
Probabilistic Prediction of the Risk of Sexual Crimes Using Weight of Evidence 원문보기

한국지리정보학회지 = Journal of the Korean Association of Geographic Information Studies, v.22 no.4, 2019년, pp.72 - 85

김보은 (청북도 재난안전연구센터) , 김영훈 (한국교원대학교 지리교육과)

초록
AI-Helper

본 연구는 일상생활 가운데 누구나 겪을 수 있는 성폭력 범죄 위험의 예측을 목적으로 한다. 2011-2015년 5년 간 청주시 일부 지역에서 발생한 성폭력 범죄를 대상으로 베이지안 통계 기반의 Weight of Evidence를 적용·분석하였다. Weight of Evidence를 활용하여 분석한 결과 첫째, 투입된 관련요인(Evidence) 총 26개 중 주거용도면적, 건축물 사용승인일, 개별주택가격, 용적률, 지하층 수, 대지면적, 보안등, 오락시설 8개만이 신뢰도를 만족하여 각각의 가중치(Weight)가 산출되었다. 둘째, 가중치가 산출된 8개의 관련요인을 결합하여 최종적으로 예측 지도를 도출하였다. 성폭력 범죄가 발생할 위험이 75.5%인 지역은 대상지역 전체면적의 20.7%(2.0㎢)를 차지하였으며 16.5% 지역은 3.3%(0.3㎢), 34.5% 지역은 19.0%(1.8㎢)로 나타났다. 본 연구는 성폭력 범죄 위험의 발생 확률과 이를 감소시킬 수 있는 환경적 요인 또는 조건을 도출하였다. 이와 같은 결과는 경찰의 범죄예방 활동 등 성폭력 범죄 피해 최소화를 위한 선제적 대응방안 마련의 기초자료로서 활용될 수 있을 것이다.

Abstract ▼ AI-Helper

The goal of this study is to predict sexual violence crimes, which is an routine risk. The study used to the Weight of Evidence on sexual violence crimes that occurred in partly Cheongju-si for five years from 2011 to 2015. The results are as follows. First, application and analysis of the Weight of Evidence that considers the weight of evidence characteristics showed 8 out of total 26 evidences that are used for a sexual violence crimes risk prediction. The evidences were residential area, date of use permission for building, individual housing price, floor area ratio, number of basement floor, lot area, security light and recreational facility; which satisfied credibility in the process of calculating weight. Second, The weight calculated 8 evidences were combined to create the prediction map in the end. The map showed that 16.5% of sexual violence crimes probability occurs in 0.3㎢, which is 3.3% of the map. The area of probability of 34.5% is 1.8㎢, which is 19.0% of the map and the area of probability of 75.5% is 2.0㎢, which is 20.7% of the map. This study derived the probability of occurrence of sexual violence crime risk and environmental factors or conditions that could reduce it. Such results could be used as basic data for devising preemptive measures to minimize sexual violence, such as police activities to prevent crimes.

주제어

표/그림 (5)

표 TABLE 1. OLS analysis results for Evidence
표 TABLE 2. Weight of each Evidence Calculated on Sexual Violence Crimes
그림 FIGURE 1. Weight Map of Each Evidence
그림 FIGURE 2. Prediction of the Risk of Sexual Violence Crime
표 TABLE 3. Area by Probability of Sexual Violence Crime

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

그러므로 본 연구는 베이지안 통계 기반의 Weight of Evidence를 활용하여 성폭력 범죄 위험을 예측하고자 한다. 위험을 예측한다는 것은 성폭력 범죄와 같은 위험을 인식하고 적절한 대처를 위해 선행되어야 할 과제이기 때문이다.
즉 성폭력 범죄 발생 지점과 주변 요인과의 공간적 분포관계를 계산하여 범죄 발생에 영향을 미친 요인이 무엇이며 얼마만큼의 영향을 미쳤는지, 발생 확률은 어떻게 변할 것인지를 정량적·객관적으로 나타낼 수 있다. 그러므로 본 연구에서는 Weight of Evidence를 활용하여 과거 성폭력 범죄의 발생 위치와 주변 요인과의 분포관계를 분석하고 성폭력 범죄 위험을 예측하고자 하였다.
위험을 예측한다는 것은 성폭력 범죄와 같은 위험을 인식하고 적절한 대처를 위해 선행되어야 할 과제이기 때문이다. 다시 말해 Weight of Evidence를 활용하여 성폭력 범죄 위험과 관련 있는 요인들의 가중치(Weight)를 객관적이고 정량적인 방법으로 산출하고 이를 결합하여 공간단위별 성폭력 범죄 위험 발생 확률을 제시하고자 한다.
공간적 범위의 결정 단계는 성폭력 범죄 위험 예측 분석 수행 시 나타는 가변적 공간단위 문제를 최소화하기 위해 공간적 범위를 제한하는 과정이다. 본 연구에서는 법정동별 성폭력 범죄 발생 누적 건 수를 기준으로 상위 순위의 법정동을 도출하였다⁸⁾. 결과적으로 4개의 법정동이 도출되었으며 이 지역은 매년 성폭력 발생 수 1-3순위를 순차적으로 기록하였으며 5년 간의 성폭력 발생 누적 수가 전체 발생 수의 약 40%를 차지하는 지역이다.
Weight of Evidence는 다수의 요인을 결합‧분석하므로 서로 간의 영향을 최소화시키기 위해 일부 요인을 제거할 필요가 있다(Bonham-Carter, 1994). 본 연구에서는 성폭력 범죄 발생 요인에 관한 선행연구를 검토하여 선정한 관련요인에 대하여 OLS를 활용하여 상관성을 검토하였다. OLS분석을 반복 수행하여 VIF 7.
성폭력 범죄 위험을 예측하는 것은 매우 중요한 과제이며 이와 같은 배경에서 성폭력 범죄 위험 예측을 위한 목적으로 연구를 수행하였다. 본 연구 대상인 성폭력 범죄 위험 예측 분석을 위한 도구로서 베이지안 통계 기반의 Weight of Evidence를 활용하였으며 분석 결과 최종적으로 가중치가 산출된 관련요인은 26개 중 8개였으며 주거용도면적, 건축물 사용승인일, 개별 주택가격, 용적률, 지하층수, 대지면적, 보안등, 오락시설이다.

제안 방법

본 연구에서는 성폭력 범죄 발생 요인에 관한 선행연구를 검토하여 선정한 관련요인에 대하여 OLS를 활용하여 상관성을 검토하였다. OLS분석을 반복 수행하여 VIF 7.5이상⁹⁾인 관련요인을 순차적으로 제거하였고 최종 관련요인을 도출하였다(표 1).
Weight of Evidence를 활용하여 연구대상지역 내 총 26개의 관련요인에 대한 각각의 가중치를 산출하였다. 산출과정에서 신뢰도 검증이 동시에 이루어지며 98% 신뢰도 수준에 미치지 못하는 경우 관련요인에 대한 가중치는 산출되지 않는다.
본 연구 대상인 성폭력 범죄 위험 예측 분석을 위한 도구로서 베이지안 통계 기반의 Weight of Evidence를 활용하였으며 분석 결과 최종적으로 가중치가 산출된 관련요인은 26개 중 8개였으며 주거용도면적, 건축물 사용승인일, 개별 주택가격, 용적률, 지하층수, 대지면적, 보안등, 오락시설이다. 가중치가 산출된 8개의 관련요인을 중첩‧결합하여 성폭력 범죄 위험 예측 결과를 도출하였다. 성폭력 범죄가 16.
그러므로 이와 같은 조건을 만족하는 Unit Cell을 설정하기 위해서 성폭력 범죄 발생지점 간의 최단거리를 분석하여 활용하였다.
따라서 그 간의 연구와 비교할 때 본 연구는 성폭력 범죄가 발생할 가능성에 대하여 관련요인과 구체적인 공간, 발생 확률을 제시했다는 점에서 차별성이 있다. 다시 말해 과거 성폭력 발생 지점과 요인 간의 분포관계를 통해 객관적이고 정량적인 가중치를 산출하였으며, 이를 결합하여 단위공간별 성폭력 범죄 발생 확률을 제시하였다. 또한 성폭력 범죄 위험 확률이 높게 나타난 지역과 상대적으로 낮게 나타난 지역에 대하여 공통적으로 영향을 끼친 환경적 요인이 무엇인지 파악할 수 있었으며 그 요인이 끼친 영향은 어느 정도인지 도출 할 수 있었다.
다음으로 각각 관련요인의 가중치를 도출하였으며 산출한 가중치를 중첩·결합하여 최종적으로 성폭력 범죄 위험에 대한 확률을 도출하였다.
다음으로 성폭력 범죄 발생의 관련 정보는 기존 선행연구를 통해 요인을 도출하였다. 범죄예 방환경적 관점에서 범죄 또는 성폭력 범죄와 상관성이 높다고 밝혀진 인구요인, 시설요인 등을(Roncek and Maier, 1991; Heo, 2004; Lee and Jeon, 1994; Cheong, 2013; Roh, 2015; Heo and Moon, 2013; Lee, 2015; Cheong et al.
Weight of Evidence는 산출된 가중치를 합계하여 결과를 산출하며 이와 같이 지역별로 확률이 다르게 나타나는 것은 영향을 미친 요인의 가중치가 다르기 때문이다. 따라서 각 지역에 영향을 미친 요인(Evidence)의 가중치를 살펴보고자 지도를 가상의 선으로 4분할하였다. 지도의 상하좌우 점선화살표를 기준으로 반시계방향으로 ⅰ지역, ⅱ지역, ⅲ지역, ⅳ지역으로 구분하였다.
결과적으로 4개의 법정동이 도출되었으며 이 지역은 매년 성폭력 발생 수 1-3순위를 순차적으로 기록하였으며 5년 간의 성폭력 발생 누적 수가 전체 발생 수의 약 40%를 차지하는 지역이다. 또한 상위 순위 법정동 지역에서 주민의 주거 및 상업 활동 공간을 도출하고자 용도지역을 검토하여 산업단지 지역 등을 제거하고 최종 공간적 범위를 도출하였다. 분석 대상지역은 약 4개의 법정동으로 구분할 수 있으며 면적은 9.
따라서 각 지역에 영향을 미친 요인(Evidence)의 가중치를 살펴보고자 지도를 가상의 선으로 4분할하였다. 지도의 상하좌우 점선화살표를 기준으로 반시계방향으로 ⅰ지역, ⅱ지역, ⅲ지역, ⅳ지역으로 구분하였다.

대상 데이터

Weight of Evidence 분석 시 관련요인은 래스터 형태로 투입되어야 하므로 100m×100m의 래스터 데이터로 구축하였다.
성폭력 발생 지점 자료는 point 형태의 데이터로 구축되어야 한다. 그러므로 2011년 1월 1일부터 2015년 12월 31일 5년간 청주시에서 발생한 성폭력 범죄 총 1,041건 중 발생 위치가 정확하게 표시되어 Geocoding이 가능한 자료만을 point 데이터로 구축하고 분석에 활용하였다. 본 연구의 대상이 되는 성폭력 범죄의 범위는「형법」및「성폭력범죄 처벌 등에 관한 특례법」에 의한 강간·강간미수, 준강간, 유사강간, 강제추행 등이 포함된다.
본 연구의 분석방법인 Weight of Evidence는 가변적 공간단위 문제(Modifiable Areal Unit Problem, MAUP)와 관련한 특성을 가지고 있기 때문에 상대적으로 성폭력 범죄의 발생 빈도가 낮은 농촌 지역을 포함한 청주시 전역을 대상으로 분석하는 경우 결과가 도출되지 않거나 또는 오류가 나타날 가능성이 높다. 따라서 청주시에서 발생한 성폭력 범죄의 누적 건 수가 가장 많은 일부 지역으로 한정하였다.
CCTV는 범죄예방환경설계 시 우선적으로 투입되는 시설이며 대표적인 성폭력 범죄 발생의 견제 요인이다. 본 연구에 활용된 오락시설은 PC방, 오락실, 당구장 등으로 여가오락관광 업종에 속한다. 이와 같은 업종은 주거지역 인근에 분산 분포하며 숙박업소나 유흥접객업소 같은 시설과는 다른 입지 특성을 보인다.
본 연구의 대상이 되는 성폭력 범죄의 범위는「형법」및「성폭력범죄 처벌 등에 관한 특례법」에 의한 강간·강간미수, 준강간, 유사강간, 강제추행 등이 포함된다.
본 연구의 대상지는 청주시 중 일부지역으로 한정하였으며 그 이유는 다음과 같다. 현재의 청주시는 도농복합도시로서 청주시 중심부는 개발밀도가 높고 도시적 경관 및 토지이용이 나타나고 중심부를 둘러싼 외곽지역은 오창읍 및 오송읍 지역을 제외하고는 전형적인 근교농촌의 특성을 나타낸다.
또한 상위 순위 법정동 지역에서 주민의 주거 및 상업 활동 공간을 도출하고자 용도지역을 검토하여 산업단지 지역 등을 제거하고 최종 공간적 범위를 도출하였다. 분석 대상지역은 약 4개의 법정동으로 구분할 수 있으며 면적은 9.5㎢이다.

이론/모형

5이며 공간자료의 구축, 수정, 편집, 추출, 변환, 연산, 시각화 등 분석과정의 전반에서 활용하였다. 또한 Weight of Evidence는 Arc-SDM⁷⁾를 이용하여 분석하였다.
다음으로 성폭력 범죄 발생의 관련 정보는 기존 선행연구를 통해 요인을 도출하였다. 범죄예 방환경적 관점에서 범죄 또는 성폭력 범죄와 상관성이 높다고 밝혀진 인구요인, 시설요인 등을(Roncek and Maier, 1991; Heo, 2004; Lee and Jeon, 1994; Cheong, 2013; Roh, 2015; Heo and Moon, 2013; Lee, 2015; Cheong et al., 2015 Choi and Noh, 2016; Lee et al., 2016) 중심으로 선정하였다⁶⁾ . 선행연구를 통해 도출한 관련요인은 인구환경요인, 건축물 및 토지환경요인, 시설환경요인으로 분류하였다.
본 연구에서는 Weight of Evidence를 활용한 성폭력 범죄 위험 예측 모형을 설정하였다. 이 예측 모형은 공간적 범위의 결정, 관련요인의 검토 및 선정, Unit Cell 크기의 설정, 각 관련 요인의 가중치(Weight) 산출, 성폭력 범죄 위험예측 확률 도출 5단계로 구분할 수 있다.
주요 분석 도구는 ArcGIS Desktop 10.5이며 공간자료의 구축, 수정, 편집, 추출, 변환, 연산, 시각화 등 분석과정의 전반에서 활용하였다. 또한 Weight of Evidence는 Arc-SDM⁷⁾를 이용하여 분석하였다.

성능/효과

과거 발생한 성폭력 범죄 발생 확률을 기준으로 성폭력 범죄가 추가적으로 발생하지 않을 것이라 예측되는 지역은 0%로 나타내었다. 34.5%의 확률로 성폭력 범죄 발생이 예측되는 지역의 면적비율은 19.0%(1.8㎢)이고, 다발지역 면적의 20.7%(2.0㎢)은 최대 75.5%의 확률로 성폭력 범죄 발생이 예측된다(표 3).
8개 관련요인의 가중치를 결합하여 산출한 성폭력 범죄 위험 예측 결과(그림 2), 주거용도 면적이 좁고, 건축연한이 오래되고, 주택가격이 상대적으로 저렴하며, 용적률이 낮고, 지하층이 없는 건물이며, 대지면적이 좁고, 가로등 수가 적고, 오락시설이 없는 지역으로 나타났다.
본 연구에서는 법정동별 성폭력 범죄 발생 누적 건 수를 기준으로 상위 순위의 법정동을 도출하였다⁸⁾. 결과적으로 4개의 법정동이 도출되었으며 이 지역은 매년 성폭력 발생 수 1-3순위를 순차적으로 기록하였으며 5년 간의 성폭력 발생 누적 수가 전체 발생 수의 약 40%를 차지하는 지역이다. 또한 상위 순위 법정동 지역에서 주민의 주거 및 상업 활동 공간을 도출하고자 용도지역을 검토하여 산업단지 지역 등을 제거하고 최종 공간적 범위를 도출하였다.
관련요인의 가중치 분석 결과 총 26개 중 주거용도면적, 건축물 사용승인일, 개별주택가격, 용적률, 지하층 수, 대지면적, 보안등, 오락시설 8개 요인에 대하여 가중치가 산출되었고 인구환경 요인은 가중치가 산출되지 않았다(표 2, 그림 1).
그 이유는 총 8개의 관련요인 중 주 거용도면적, 건축물 사용승인일, 개별주택가격, 지하층수, 오락시설 5개의 관련요인에 대한 가중치가 음수(-)로 나타나는 지역이 넓게 분포 하기 때문이다(그림 1). 다시 말해 분석결과 연구대상지역에서 가중치가 산출된 관련요인은 총 8개이며 그 중 절반 이상인 5개의 관련요인 가중치가 (-)이고 그 분포 면적이 넓어 발생 확률이 낮게 나타난 지역이 지배적인 것이다. ⅱ 지역 또한 ⅰ지역과 유사한 특성을 나타낸다.
본 연구 대상인 성폭력 범죄 위험 예측 분석을 위한 도구로서 베이지안 통계 기반의 Weight of Evidence를 활용하였으며 분석 결과 최종적으로 가중치가 산출된 관련요인은 26개 중 8개였으며 주거용도면적, 건축물 사용승인일, 개별 주택가격, 용적률, 지하층수, 대지면적, 보안등, 오락시설이다.
현재의 청주시는 도농복합도시로서 청주시 중심부는 개발밀도가 높고 도시적 경관 및 토지이용이 나타나고 중심부를 둘러싼 외곽지역은 오창읍 및 오송읍 지역을 제외하고는 전형적인 근교농촌의 특성을 나타낸다. 본 연구의 분석방법인 Weight of Evidence는 가변적 공간단위 문제(Modifiable Areal Unit Problem, MAUP)와 관련한 특성을 가지고 있기 때문에 상대적으로 성폭력 범죄의 발생 빈도가 낮은 농촌 지역을 포함한 청주시 전역을 대상으로 분석하는 경우 결과가 도출되지 않거나 또는 오류가 나타날 가능성이 높다. 따라서 청주시에서 발생한 성폭력 범죄의 누적 건 수가 가장 많은 일부 지역으로 한정하였다.
3%를 차지하였다. 성폭력 범죄 발생 확률이 34.5%지역은 1.8㎢(19.0%)로 나타났으며 75.5%지역은 2.0㎢의 면적으로 전체의 20.7%를 차지하는 것으로 나타났다.
Roh(2015)는 인근반복모형(near-repeat model)과 위험영역모형(risk terrain model) 등의 시공간분석기법을 활용하여 범죄 예측력을 검증하고자 하였다. 연구 대상은 가중폭행 및 성폭력 범죄였으며, 연구 결과 두 모형을 모두 고려한 예측모형의 예측력이 가장 높게 나타났다.

후속연구

향후에는 대시메트릭 매핑(dasymetric mapping)이나 보간법 (interpolation)을 활용하여 데이터를 구축하는 등 관련요인을 보완할 필요성이 있다. 둘째, 향후의 연구에서는 위험 예측 결과에 대한 정량적인 검증이 이루어지거나 검증방법에 대한 논의가 수반되어야 할 것이다.
연구의 한계로서 첫째, 성폭력 범죄의 발생을 설명하기 위한 여성1인가구, 독거노인, 기초생활수급자, 여성장애인 등 인구환경 요인을 다양하게 고려하지 못한 것이다. 향후에는 대시메트릭 매핑(dasymetric mapping)이나 보간법 (interpolation)을 활용하여 데이터를 구축하는 등 관련요인을 보완할 필요성이 있다.
또한 성폭력 범죄 위험 확률이 높게 나타난 지역과 상대적으로 낮게 나타난 지역에 대하여 공통적으로 영향을 끼친 환경적 요인이 무엇인지 파악할 수 있었으며 그 요인이 끼친 영향은 어느 정도인지 도출 할 수 있었다. 이와 같은 결과는 성폭력 범죄 피해를 최소화하고 한정된 경찰자원의 효율적 배치 및 예측 적 경찰활동을 위한 기초자료로 활용될 수 있다.
연구의 한계로서 첫째, 성폭력 범죄의 발생을 설명하기 위한 여성1인가구, 독거노인, 기초생활수급자, 여성장애인 등 인구환경 요인을 다양하게 고려하지 못한 것이다. 향후에는 대시메트릭 매핑(dasymetric mapping)이나 보간법 (interpolation)을 활용하여 데이터를 구축하는 등 관련요인을 보완할 필요성이 있다. 둘째, 향후의 연구에서는 위험 예측 결과에 대한 정량적인 검증이 이루어지거나 검증방법에 대한 논의가 수반되어야 할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	사전확률이란 무엇인가?	Weight of Evidence는 베이지안 통계 기반 의 분석방법으로서 기본적으로 사전확률(Prior Probability)과 사후확률(Posterior Probability) 을 통해 결과가 도출된다2) . 사전확률은 다양한 공간 자료를 입력하지 않은 초기확률을 말하며, 특정 공간적 속성과 관련한 정보를 이용하여 추 가적으로 수정이 가능한데 이를 사후확률이라 한다(Harris et al., 2001).
	Weight of Evidence가 범죄 위험 예측에 유용한 방법이 될 수 있는 이유는 무엇인가?	그러므로 베이지안 확률 기반의 Weight of Evidence는 범죄 위험 예측 에 유용한 방법이 될 수 있다. 왜냐하면 Weight of Evidence는 가설을 뒷받침하는 근거를 결합 하여 연구대상과 관련요인 간의 상관관계를 제 시할 수 있기 때문이다(Lee et al., 2006).
	성폭력 범죄를 대상으로 한 GIS 및 통계분석 연구들의 주 목적은 무엇인가?	2010년대 들어 성폭력 범죄를 대상으로 GIS 및 통계분석을 결합‧활용한 연구가 점차 증가하 고 있다. 이와 같은 연구들은 환경범죄학 (CPTED)에 기반한 성폭력 범죄 관련 변수와 성범죄 발생 간의 상관관계 또는 영향관계 분석 을 주 목적으로 하고 있다(Lee et al., 2016; Jeong and Lee, 2015; Cho and Kwon, 2011).

참고문헌 (46)

Anderson, M.A. 2006. A spatial analysis of crime in Vancuouver, British Columbia: A synthesis of social disorganization and routine activity theory. the canadian geographer/Le G'eographe canadien. 50(4):487-502.

상세보기
Anselin, L., 2002. Under the hood: Issues in the specification and interpretation of spatial regression models. Agricultural Economics. 27:247-267.

상세보기
Baek, S.G. and D.H. Jang. 2013. Potential mapping of mountainous wetlands using Weights of Evidence model in Yeongnam Area, Korea. Journal of the Korean geomorphological association. 20(1):21-33
Bonham-Carter, G.F., F.P. Agterberg and D.F. Wright. 1988. Integration of geological datasets for gold exploration in Nova Scotia. Photogrammetic Engineering and Remote Sensing. 54(11):1585-1592.
Bonham-Carter, G.F. 1994. Geographic Information Systems for geoscientist: modelling with GIS. Pergamon Press, Oxford, UK. pp.267-337.
Caplan, J.M., L.W. Kennedy and J. Mille. 2011. Risk terrain modeling: brokering criminological theory and GIS methods for crime forecasting. Justice Quarterly. 28(2):360-381.

상세보기
Cheong, J.S. 2013. Spatial analyses on structural causal factors of serious crime. The Journal of Police Science. 13(4):53-78
Cheong, J.S. and E.G. Hwang. 2010. A macro-level study on the cause of homicide rate: Nationwide analysis using spatial regression model. Korean Criminological Review. 22(1):157-184

상세보기
Cheong, J.S., S.M. Jeong and B.H. Lee. 2015. A study on the ecological factors of sex crime: Focusing on the structural characteristics of Eup-Myon-Dong Districts. The Journal of Police Science. 15(1):3-31
Cho, I.H. and G.H. Kwon. 2011. Analysis of effectiveness of sex crimes prevention policy in Seoul: Focusing on panel data regression model considering Heteroscedasticity. The korea Local Administration Review. 25(2):439-468
Choi, M.J. and K.S. Noh. 2016. Exploratory study on crime prevention based on bigdata convergence: Through case studies of Seongnam City. Journal of Digital Convergence. 14(11):125-133
Dolan, P. and T. Peasgood. 2007. Estimating the economic and social costs of the fear of crime. British Journal of Criminology. 47(1):121-132.

상세보기
Drawve, G. 2016. A metric comparison of predictive hot spot techniques and RTM. Justice Quarterly, 33(3):369-397.

상세보기
Dugato, M. 2013. Assessing the validity of risk terrain modeling in a European city: Preventing robberies in the city of Milan. Crime Mapping: A Journal of Research and Practice. 5(1):63-89.
Gabor, T. and T.K. Griffith. 1980. The assessment of community vulnerability to acute hazardous materials incidents. Journal of Hazardous Materials. 3(4):323-333.

상세보기
Harris, J.R., L. Wilkinson, K. Heather and S. Fumerton. 2001. Application of GIS processing techniques for producing mineral prospectivity Maps-A case Study: Mesothernal Au in the Swayze Greenstone Belt, Ontario, Canada. Natural Resources Research. 10(2):91-124.

상세보기
Heo, S.Y. and T.H. Moon. 2013. Analysis of urban environmental impact factors in crime hotsopt. Journal of Korea Planners Association. 48(6):223-234
Huh, K.M. 2004. A study on the characteristics of elderly crime victims. Korean Associatin of Public Safety and Criminal Justice Review. 17(17):423-452
Hwang, J.T. 2010. Estimating the amounts of some major hidden crime 2008 in Korea. Korean Criminological Review. 21(3):7-51
Hwang, S.Y. and C.S. Hwang. 2003. The spatial pattern analysis of urban crimes using GIS: The case of residential burglary. Journal of Korea Planners Association. 38(1):53-66
Jeong, K.S., T.H. Moon, J.H. Jeong and S.Y. Heo. 2009. Analysis of spatiotemporal pattern of urban crime and its influencing factors. Journal of the korean association of Geographic information studies. 12(1):12-25
Jung, S.W. and K.H. Lee. 2015. An analysis of environmental factors affecting the sexual assault in metropolitan cities. Journal of the Architectural Institute of Korea-Planning & Design. 31(11):179-186
Kim, S.E. 2011. Fear of crime and forting up of the residential community. Korean Criminological Review. 22(4):315-346
Kim, T.M. 2011. Realities of sexual violence and it's countermeasures. Korean Criminological Review. 22(3):5-44
Korean National Police Agency. 2017. Korean Police Crime Statistics in 2017. Korean National Plice Agency. Seoul, Korea. pp.32-37
Lee, G.H., C.W. Jin, J.W. Kim and W.H. Kim. 2016. A study on the characteristics of the spatial distribution of sex crimes: Spatial analysis based on environmental criminology. Journal of the korean Geographical Society. 51(6):853-871
Lee, G.J. and Y.S. Jeon. 1994. A study on crime and criminal victimization of the old. Korean Institute of Criminology. Seoul, Korea pp.114-124
Lee, K.H. 2002. A study on policing for crime prevention: Centering on its evaluation in the U.S. Korean Criminological Review. 14(2):149-183
Lee, S.C. 2015. An exploratory study on the relationship between facility circumstance and violent crime in regions. The Korean Association of Police Science Review. 17(2):127-155
Lee, S.R., H.J. Oh and K.D. Min. 2006. Sedimentary type non-metallic mineral potential analysis using GIS and Weight of Evidence model in the Gangreung Area. Journal of Korea Spatial Information Society. 14(1):129-150
Lee, S.W. 2004. Implication of the urban plan on the crime occurrence. Seoul Development Institute. Seoul, Korea. pp. 11-21
Messner, S.F. and L. Anselin. 2004. Spatial analyses of homicide with areal data. In: M. Goodchild and D. Janelle(Ed.). Spatially Integrated Social Science. Oxfords University Press, New York, USA. pp.127-141.
Murray, T.A., I. McGuffog, S.J. Western and P. Mullins. 2001. Exploratory spatial data analysis techniques for examining urban crime. British Journal of Criminology. 41(2):309-329.

상세보기
Noe, C.S. and D.H. Kim. 2012. A crime occurrence risk probability map generation model based on the Markov Chain. Journal of Korean Institute Technology. 10(10):89-98
Park, K.R. 2013. A study of the probability of prediction to crime according to time Status change. Journal of the Korea Society of Computer and Information. 18(5):147-156

원문보기 상세보기
Park, K.R., S.D. Kim, S.R. Choi and J.H. Lee. 2010. Law and economics of crime and criminal justice policy in Korea(II): Estimates of the social cost of crime in Korea. Korean Institute of Criminology. Seoul, Korea. pp.239-307
Park, S.H., S.S. Kim and M.W. Kang. 2002. Regression Analysis. Korea National Open University Press, Seoul, Korea. pp.224-229
Police Science Institute. 2019. Public Security Prospect 2019. Police Science Institute. Chungcheongnam-do, Korea. pp.66-77
Porwal, A. 2001. Extended Weights-of-Evidence modelling for predictive mapping of base metal deposit potential in Aravalli Province, Western India. Exploration and Mining Geology. 10(4):273-287.

상세보기
Roh, S.H. 2015. Testing the predictability of crime forecasting models using spatio-temporal analysis and risk terrainmodeling. Korean Criminological Review. 26(3):239-266
Roncek, D.W. and P.A. Maier. 1991. Bar, blocks and crimes revisited: Linking the theory of routine activities to the empiricism of hot spots. Criminology. 29(4):725-753.

상세보기
Shimada, T. 2004. Spatial diffusion of residential burglaries in Tokyo: Using exploratory spatial data analysis. Behaviormetrika. 31(2):169-181.

상세보기
Tak, H.S., J.H. Park, J.S. Choeng and J.W. Yoon. 2015. Building crime prevention system utilizing big data(II). Korean Institute of Criminology. Seoul, Korea pp. 183-200
Yerxa, M. 2013. Evaluating the temporal parameters of risk terrain modeling with residential burglary. Crime Mapping. 5(1):7-38.
Yoon, H.S., H.W. Chun, C.S. Yang, B.S. Kim and K.B. Kim. 2014. Building Crime Prevention System Utilizing Big Data( I ). Korean Institute of Criminology. Seoul, Korea. pp.170-188
Yoo, Y.W. and T.K. Baek. 2017. Construction of urban crime prediction model based on census using GWR. Journal of the korean association of Geographic information studies, 20(4):65-76

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증